基于最近邻标签扩散的标签噪声鲁棒性：面向域无关的公平校正
机器学习
2024-06-17 v1 人工智能
摘要
最后一层 retraining 方法已成为高效修复现有 base 模型的框架。在此框架内，针对在有无群组成信息的情况下对子组公平性进行校正的方法已有所提出。重要的是，先前的工作表明许多方法对噪声标签较为敏感。为此，我们提出了一种针对标签噪声的 drop-in 校正方法，用于最后一层 retraining，并证明其在广泛的对称标签噪声范围内以及各种表现出虚假关联的数据集上实现了最差群体准确率的 SOTA。我们的方法使用潜在最近邻图上的标签扩散，计算开销仅略高于现有方法。
引用
@article{arxiv.2406.09561,
title = {Label Noise Robustness for Domain-Agnostic Fair Corrections via Nearest Neighbors Label Spreading},
author = {Nathan Stromberg and Rohan Ayyagari and Sanmi Koyejo and Richard Nock and Lalitha Sankar},
journal= {arXiv preprint arXiv:2406.09561},
year = {2024}
}