FairNet：通过对比条件 LoRA 实现无性能损失的动态公平性纠正
机器学习
2025-10-23 v1 人工智能
摘要
确保机器学习模型的公平性是一项关键挑战。现有去偏方法常常会牺牲性能、依赖静态纠正策略，且在数据稀疏（尤其是少数族群）方面难以应对。此外，这些方法对敏感属性的利用也常常不够优化，要么过度依赖完整的属性标注，要么完全忽略这些属性。为克服这些限制，我们提出了 FairNet，这是一个用于动态、实例级公平性纠正的新型框架。FairNet 将偏置检测器与条件低秩适配（LoRA）集成，使其能够仅针对被识别为偏置的实例激活公平性纠正机制，从而保留对无偏置实例的性能。我们的关键贡献是设计一种新的对比损失函数用于训练 LoRA 模块，旨在最小化不同敏感群体之间类内表示的差异，有效应对少数族群的欠拟合问题。理论分析表明，在偏置检测器的 TPR/FPR 适中的情况下，FairNet 能够提升最差群体的性能，而不会损害整体模型性能，甚至可能轻微提升性能。广泛的在多样化视觉和语言基准上的经验评估验证了 FairNet 的有效性。
引用
@article{arxiv.2510.19421,
title = {FairNet: Dynamic Fairness Correction without Performance Loss via Contrastive Conditional LoRA},
author = {Songqi Zhou and Zeyuan Liu and Benben Jiang},
journal= {arXiv preprint arXiv:2510.19421},
year = {2025}
}