通过解耦实现灵活公平表示学习
机器学习
2019-06-07 v1 人工智能
机器学习
摘要
我们考虑学习相对于多个敏感属性实现组与子组公平性的表示的问题。受解耦表示学习文献的启发，我们提出一种学习数据集紧凑表示的算法，这些表示有助于重建与预测，同时也是灵活公平的（flexibly fair），即可在测试时轻松修改以相对于多个敏感属性及其合取实现子组人口均等的公平性。我们经实验表明，所得编码器——推断时无需敏感属性——能够将单一表示适配于具有新目标标签与子组定义的多种公平分类任务。
引用
@article{arxiv.1906.02589,
title = {Flexibly Fair Representation Learning by Disentanglement},
author = {Elliot Creager and David Madras and Jörn-Henrik Jacobsen and Marissa A. Weis and Kevin Swersky and Toniann Pitassi and Richard Zemel},
journal= {arXiv preprint arXiv:1906.02589},
year = {2019}
}