面向个体公平表示的潜空间平滑方法

公平表示学习将用户数据转换为一种表示，无论下游应用如何都能确保公平性与效用。然而，学习个体公平的表示，即保证相似个体被相似对待，在高维环境（如计算机视觉）中仍然具有挑战性。在这项工作中，我们引入 LASSI，首个用于认证高维数据个体公平性的表示学习方法。我们的关键见解是利用生成建模的最新进展来捕获生成潜空间中相似个体的集合。这使我们能够通过使用对抗训练最小化其表示之间的距离来学习将相似个体映射在一起的个体公平表示。最后，我们采用随机平滑可证明地将相似个体映射在一起，进而确保下游应用的局部鲁棒性验证产生端到端的公平性认证。我们在具有挑战性的真实世界图像数据上的实验评估表明，我们的方法在不显著影响任务效用的前提下将认证的个体公平性提高了多达 90%。