FAIRWELL：面向 wellbeing 预测的公平多模态自监督学习
机器学习
2025-08-26 v1 人工智能
摘要
早期将自监督学习 (SSL) 应用于提升机器学习 (ML) 公平性的努力显示出前景。然而，在多模态上下文中尚未探索此方法。先前的工作表明，在多模态环境中，不同模态包含可补充其他模态信息的模态特有信息。基于此，我们提出一种 novel subject-level loss function，通过以下三个机制学习更公平的表征，适用于 variance-invariance-covariance regularization (VICReg) 方法：(i) 方差项，可减少对受保护属性的依赖作为平凡解；(ii) 不变性项，确保相似个体的一致预测；(iii) 协方差项，最小化对受保护属性的相关依赖。因此，我们提出的 loss function 称为 FAIRWELL，旨�获取 subject-independent representations，实现多模态预测任务中的公平性。我们在三个具有挑战性的真实世界异构医疗数据集 (i.e. D-Vlog, MIMIC 和 MODMA) 上进行评估，这些数据集包含长度各异且预测任务不同的模态。我们的发现表明，该框架在最小化分类性能损失的同时显著提升整体公平性，并在 performance-fairness Pareto 前沿上取得显著进展。
关键词
引用
@article{arxiv.2508.16748,
title = {FAIRWELL: Fair Multimodal Self-Supervised Learning for Wellbeing Prediction},
author = {Jiaee Cheong and Abtin Mogharabin and Paul Liang and Hatice Gunes and Sinan Kalkan},
journal= {arXiv preprint arXiv:2508.16748},
year = {2025}
}