FairNN——用于公平决策的公平表示联合学习
机器学习
2020-04-14 v2 机器学习
摘要
本文中，我们提出FairNN，一种用于公平感知学习的联合特征表示与分类的神经网络。我们的方法优化一个多目标损失函数，其中（a）通过抑制受保护属性来学习公平表示；（b）通过最小化重构损失来保持信息内容；（c）通过最小化分类误差并遵循基于均等几率的公平正则化，以公平方式解决分类任务。我们在多个数据集上的实验表明，这种联合方法优于在表示学习或监督学习中单独处理不公平性。此外，我们的正则化项可自适应加权以平衡损失函数的不同组分，从而构成一个非常通用的公平表示学习与决策联合框架。
引用
@article{arxiv.2004.02173,
title = {FairNN- Conjoint Learning of Fair Representations for Fair Decisions},
author = {Tongxin Hu and Vasileios Iosifidis and Wentong Liao and Hang Zhang and Michael YingYang and Eirini Ntoutsi and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:2004.02173},
year = {2020}
}
备注
Code will be available