使用 Kolmogorov-Arnold 网络学习公平表示
机器学习
2025-12-25 v4 计算机与社会
摘要
尽管近期在公平感知机器学习方面取得了进展，预测模型仍常对受边缘化群体表现出偏见。这种不公平可能源于偏见训练数据、模型设计或跨群体的表征差异，构成了面临高风险决策领域（如大学录取）的重大挑战。虽然现有的公平学习模型旨在缓解偏见，但在公平性和准确性之间取得最佳平衡点仍是一个挑战。此外，依赖黑箱模型会阻碍可解释性，限制其在社会敏感领域的应用。为规避这些问题，我们提出将 Kolmogorov-Arnold 网络 (KAN) 集成到公平对抗学习框架中。利用 KAN 的对抗鲁棒性和可解释性，我们的方法促进了稳定的对抗学习。我们对基于样条函数的 KAN 架构进行了理论推导，确保在对抗优化期间的稳定性。此外，提出了自适应公平惩罚更新机制，以在公平性和准确性之间取得平衡。我们通过两个真实世界的录取数据集提供实证证据，表明该框架在保持预测性能的同时，能够实现对敏感属性的公平性。
引用
@article{arxiv.2511.11767,
title = {Learning Fair Representations with Kolmogorov-Arnold Networks},
author = {Amisha Priyadarshini and Sergio Gago-Masague},
journal= {arXiv preprint arXiv:2511.11767},
year = {2025}
}
备注
This article has been accepted at AAAI-26 (The 40th Annual AAAI Conference on Artificial Intelligence)