利用部分标注群体标签学习公平分类器
机器学习
2022-04-04 v2 计算机视觉与模式识别
计算机与社会
摘要
近年来,公平感知学习变得愈发关键,但此类方法大多假设可获取完全标注的人口群体标签。我们强调该假设在真实应用中并不现实,因为群体标签标注成本高昂且可能违背隐私。本文考虑一种更实际的场景,称为部分标注群体标签下的算法群体公平(Fair-PG)。我们观察到,在 Fair-PG 下,现有实现群体公平的方法甚至比仅使用带目标标签的全量数据训练的朴素训练表现更差。为解决此问题,我们提出一种简单的基于置信度的群体标签指派(CGL)策略,可便捷应用于任意公平感知学习方法。CGL 利用辅助群体分类器指派伪群体标签,并对低置信度样本随机指派标签。我们首先从理论上证明,就公平准则而言,我们的方法设计优于朴素伪标签策略。随后,我们在多个基准数据集上实证表明,将 CGL 与最先进的公平感知处理中方法结合,相比基线可联合提升目标准确率与公平性度量。此外,我们令人信服地展示了 CGL 能够用外部仅含目标标签的数据集自然扩充给定的群体标注数据集,从而同时改善准确率与公平性。代码见 https://github.com/naver-ai/cgl_fairness。
引用
@article{arxiv.2111.14581,
title = {Learning Fair Classifiers with Partially Annotated Group Labels},
author = {Sangwon Jung and Sanghyuk Chun and Taesup Moon},
journal= {arXiv preprint arXiv:2111.14581},
year = {2022}
}
备注
Accepted to CVPR 2022; Code is available at https://github.com/naver-ai/cgl_fairness