学习教导公平性感知的深度多任务学习
机器学习
2022-06-20 v1 人工智能
计算机与社会
摘要
公平性感知学习主要关注单任务学习（STL）。多任务学习（MTL）的公平性影响近来才被考虑，并且已提出一种开创性方法，该方法考量每个任务的公平-精度权衡以及不同任务间的性能权衡。我们摒弃僵化的公平-精度权衡公式，提出一种灵活的方法，通过在每一步选择优化哪个目标（精度或公平性）来学习如何在 MTL 设定下做到公平。我们引入 L2T-FMT 算法，这是一个协同训练的教师-学生网络；学生学习解决公平 MTL 问题，而教师根据每个任务中更难学习的内容指导学生从精度或公平性中学习。此外，这种在每一步为每个任务动态选择使用哪个目标的方式，将权衡权重的数量从 2T 减少到 T，其中 T 为任务数量。我们在三个真实数据集上的实验表明，L2T-FMT 相较最先进的方法在公平性（12-19%）和精度（最高 2%）上均有提升。
引用
@article{arxiv.2206.08403,
title = {Learning to Teach Fairness-aware Deep Multi-task Learning},
author = {Arjun Roy and Eirini Ntoutsi},
journal= {arXiv preprint arXiv:2206.08403},
year = {2022}
}
备注
Accepted to be published in the Proceedings of the "European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECMLPKDD)", Sept. 19th to 23rd 2022