同时考虑协变量迁移与相关性迁移下的公平不变表征学习

在机器学习中，从训练域泛化到移植测试域的不变分类器实现，同时考虑模型公平性是一个巨大的且复杂的挑战。现有方法解决了公平性感知的域泛化问题，关注协变量迁移或相关性迁移，但很少两者同时考虑。在本文中，我们提出了一种新方法，聚焦于在同时处理协变量和相关性迁移的框架内学习公平性感知的域不变预测器，确保其对训练期间不可访问的未知测试域具备泛化能力。在我们的方法中，数据首先被分解为潜在空间中的内容和风格因素。进一步地，通过缓解敏感信息并尽可能保留其他信息，可以学习公平性感知的域不变内容表征。大量实验在基准数据集上进行，表明我们的方法在模型准确率以及组公平和个体公平方面均优于最先进的方法。