贝叶斯神经网络中的个体公平性
机器学习
2023-04-24 v1 计算机与社会
摘要
我们研究贝叶斯神经网络（BNNs）的个体公平性（IF）。具体而言，我们考虑 --个体公平性概念，其要求对于任意一对根据给定相似性度量 -相似的输入点，BNN 的输出在给定容差 之内。我们利用输入空间上统计采样的界以及对抗鲁棒性与个体公平性之间的关系，推导出一个用于系统性估计 --IF 的框架，设计了 Fair-FGSM 与 Fair-PGD 作为针对 BNN 的全局、公平性感知的基于梯度的攻击扩展。我们在公平性基准上以不同架构对多种近似推断的 BNN 的 IF 进行实证研究，并与使用频率派技术学习的确定性模型比较。有趣的是，我们发现通过近似贝叶斯推断训练的 BNN 始终明显比其确定性对应模型更具个体公平性。
引用
@article{arxiv.2304.10828,
title = {Individual Fairness in Bayesian Neural Networks},
author = {Alice Doherty and Matthew Wicker and Luca Laurenti and Andrea Patane},
journal= {arXiv preprint arXiv:2304.10828},
year = {2023}
}