通过 R\'enyi 最小化学习无偏表示
机器学习
2020-09-08 v1 人工智能
计算机与社会
机器学习
摘要
近年来，人们已开展大量工作将公平性约束纳入机器学习算法的训练目标中。许多最先进的算法通过学到一个公平表示来应对这一挑战，该表示捕获了预测输出 Y 的所有相关信息，同时不包含关于敏感属性 S 的任何信息。本文中，我们提出一种对抗式算法，通过 Hirschfeld-Gebelein-Renyi（HGR）最大相关系数来学习无偏表示。我们利用近期关于通过学深度神经网络变换估计该系数的工作，并将其用作极小极大博弈以惩罚多维潜在表示中的内在偏差。与其他依赖性度量相比，HGR 系数捕获了关于敏感变量非线性依赖的更多信息，使算法在缓解表示中的偏差方面更为高效。我们通过实证评估并比较了我们的方法，展示了相比该领域现有工作的显著改进。
引用
@article{arxiv.2009.03183,
title = {Learning Unbiased Representations via R\'enyi Minimization},
author = {Vincent Grari and Oualid El Hajouji and Sylvain Lamprier and Marcin Detyniecki},
journal= {arXiv preprint arXiv:2009.03183},
year = {2020}
}
备注
23 pages, 4 figures