通过因果变分自编码器实现无敏感属性的公平性

近年来，机器学习模型中的大多数公平性策略都侧重于通过假设敏感信息是可观测的来减轻不想要的偏差。然而，这在实践中并不总是可能的。出于隐私目的和诸如欧盟《通用数据保护条例》（GDPR）等各种法规，许多个人敏感属性经常不被收集。我们注意到，在这种困难设置下，缺乏减轻偏差的方法，特别是在实现诸如人口统计均等和均等化几率等经典公平性目标方面。通过利用近似推断的最新进展，我们提出了一种填补这一空白的方法。基于一个因果图，我们依赖一个名为SRCVAE的新的变分自编码框架来推断一个敏感信息代理，该代理用于对抗性公平性方法中的偏差缓解。我们通过实验证明了相对于该领域现有工作的显著改进。我们观察到，生成的代理的潜在空间恢复了敏感信息，并且我们的方法在两个真实数据集上，使用常见的公平性定义进行衡量，在获得相同公平性水平的同时实现了更高的准确率。