FAL-CUR：基于公平聚类利用不确定性与代表性的公平主动学习
机器学习
2023-12-20 v2
摘要
主动学习(AL)技术已被证明在降低一系列机器学习任务中的数据标注成本方面高度有效。然而，这些方法的一个已知挑战是它们可能引入对敏感属性的不公平性。尽管近期方法聚焦于提升 AL 中的公平性，它们往往降低了模型的准确率。为解决此问题，我们提出一种新策略，称为利用公平聚类、不确定性与代表性的公平主动学习(FAL-CUR)，以改善 AL 中的公平性。FAL-CUR 通过将公平聚类与一个获取函数相结合来解决 AL 中的公平问题，该获取函数根据其不确定性与代表性分数决定查询哪些样本。我们在四个真实世界数据集上评估了 FAL-CUR 的性能，结果表明相较于最佳最先进方法，FAL-CUR 在等化赔率(equalized odds)方面实现了 15%–20% 的公平性提升，同时保持稳定的准确率分数。此外，消融研究凸显了公平聚类在保持公平性以及获取函数在稳定准确率性能方面的关键作用。
引用
@article{arxiv.2209.12756,
title = {FAL-CUR: Fair Active Learning using Uncertainty and Representativeness on Fair Clustering},
author = {Ricky Fajri and Akrati Saxena and Yulong Pei and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2209.12756},
year = {2023}
}