通过不平衡缓解实体增强提升张量完成中的群体公平性
机器学习
2025-07-29 v1 机器学习
摘要
在张量分解中考虑群体公平性对于防止基于性别或年龄等社会因素的歧视至关重要。尽管已有有限的工作研究张量分解中的群体公平性，但它们会导致性能下降。为此，我们提出了 STAFF (Sparse Tensor Augmentation For Fairness) 通过最小化不同群体完成误差之间的差距，同时降低总体张量完成误差来提高群体公平性。我们的主要思想是通过增强实体来扩充张量，这些增强实体包含足够的观测条目，以缓解稀疏张量中的不平衡和群体偏差。我们在基于常规和深度学习方法的张量模型上对 STAFF 进行了各种数据集上的评估。STAFF 在完成误差和群体公平性之间的权衡方面始终表现最佳；最多可使均方根误差降低 36%，平均绝对误差降低 59%。
引用
@article{arxiv.2507.20542,
title = {Improving Group Fairness in Tensor Completion via Imbalance Mitigating Entity Augmentation},
author = {Dawon Ahn and Jun-Gi Jang and Evangelos E. Papalexakis},
journal= {arXiv preprint arXiv:2507.20542},
year = {2025}
}