面向公平感知多元时间序列预测的信息化表示学习：基于组的视角
机器学习
2023-10-24 v2 信号处理
摘要
变量间的性能不公平性广泛存在于多元时间序列(Multivariate Time Series, MTS)预测模型中，因为此类模型可能关注/偏倚于某些（优势）变量。解决该不公平问题对于平等关注所有变量并避免脆弱的模型偏倚/风险十分重要。然而，公平 MTS 预测具有挑战性且在文献中研究较少。为弥补这一重要差距，我们将公平性建模问题表述为学习同时关注优势与劣势变量的信息化表示。相应地，我们提出一种名为 FairFor 的新框架，用于公平感知的 MTS 预测。FairFor 基于对抗学习生成面向下游预测的组独立与组相关表示。该框架首先利用 K-means 目标的谱松弛推断变量相关性从而将变量分组；然后利用过滤与融合组件通过正交正则化过滤组相关信息并生成组独立表示。组独立与组相关表示构成高度信息化表示，有助于将知识从优势变量共享至劣势变量以保证公平性。在四个公开数据集上的大量实验证明了我们所提 FairFor 在公平预测上的有效性与显著的性能提升。
引用
@article{arxiv.2301.11535,
title = {Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective},
author = {Hui He and Qi Zhang and Shoujin Wang and Kun Yi and Zhendong Niu and Longbing Cao},
journal= {arXiv preprint arXiv:2301.11535},
year = {2023}
}
备注
13 pages, 5 figures, accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)