基于图的公平性感知标签纠正:面向公平分类的GFLC方法

机器学习中的公平性对于构建可信赖的机器学习系统具有关键重要性,因为人工智能系统正越来越多地影响社会的各个方面,包括医疗决策和法律判断。此外,诸多研究都提供了不公平结果的证据,以及需要更稳健的公平性感知方法。然而,我们用于训练和开发去偏技术的数据常常包含偏差和噪声标签。结果,训练数据中的标签偏差会影响模型性能,并在测试期间误表示分类器的公平性。为此,本文提出了图基公平性感知标签纠正(GFLC)方法,用于在保持人口统计公平性的同时纠正标签噪声。具体而言,我们的方法结合了三个关键组件:预测置信度度量、通过Ricci流优化图Laplacian实现的图基正则化,以及显式的人口统计公平性激励。我们的实验结果显示,我们提出的方法有效性,并在性能与公平性指标之间的权衡方面相较于基线方法实现了显著改进。