FEED: 面向领域泛化的公平性增强元学习

在元学习中，在考虑模型公平性的同时泛化到分布外数据是一个重要且具有挑战性的问题。该问题的目标是找到一组公平性感知的不变分类器参数，这些参数使用来自相关训练域族的数据进行训练，其中非敏感特征存在分布偏移，且模型预测与敏感特征之间的依赖关系各不相同，从而使分类器在未知但不同的测试域上取得良好的泛化性能。为应对这一挑战，现有最先进方法要么解决领域泛化问题但完全忽略公平性学习，要么仅指定具有不同公平性水平的偏移领域。本文提出了一种公平性感知的元学习方法，显著增强了领域泛化能力。我们的框架——面向领域泛化的公平性增强元学习（FEED）——将潜在数据表示解耦为内容、风格和敏感向量。这种解耦有助于机器学习模型在遵循公平性约束的同时，在多样化领域中实现鲁棒泛化。与传统主要关注领域不变性或对偏移敏感性的方法不同，我们的模型将公平性感知的不变准则直接集成到元学习过程中。这种集成确保了学习到的参数在领域特征广泛变化时始终维持公平性。我们通过多个基准上的广泛实验验证了该方法，不仅在保持高准确率和公平性方面表现优异，而且在领域泛化任务上显著超越了现有最先进方法。