FLAC：通过抑制属性-类别关联实现公平性感知的表示学习
计算机视觉与模式识别
2024-10-28 v2
摘要
计算机视觉系统中的偏差会延续甚至放大对特定人群的歧视。考虑到偏差常由有偏视觉数据集引入，近期许多研究致力于使用此类数据训练公平模型。然而，其中大多数严重依赖数据集中受保护属性标签的可用性，这限制了其适用性，而无标签感知方法（即无此类标签下运行的方法）表现出明显更低的性能。为克服这些局限，本工作提出 FLAC，一种在不使用属性标签的情况下最小化模型提取特征与受保护属性间互信息的方法论。为此，FLAC 提出一种凸显数据集中代表性不足样本的采样策略，并将学习公平表示的问题转化为利用偏差捕获分类器所提取表示的概率匹配问题。理论上证明 FLAC 确实可得到独立于受保护属性的公平表示。FLAC 在 Biased-MNIST、CelebA 和 UTKFace 上分别超越当前 SOTA 29.1%、18.1% 和 21.9%。此外，FLAC 在 ImageNet-A 上准确率提升 2.2%，在 Corrupted-Cifar10 上准确率最高提升 4.2%。最后，在大多数实验中，FLAC 甚至优于感知偏差标签的 SOTA 方法。
引用
@article{arxiv.2304.14252,
title = {FLAC: Fairness-Aware Representation Learning by Suppressing Attribute-Class Associations},
author = {Ioannis Sarridis and Christos Koutlis and Symeon Papadopoulos and Christos Diou},
journal= {arXiv preprint arXiv:2304.14252},
year = {2024}
}