MMD-B-Fair：基于统计检验学习公平表示
机器学习
2023-04-26 v3 机器学习
摘要
我们引入一种方法 MMD-B-Fair，通过核两样本检验来学习数据的公平表示。我们寻找数据的神经特征，使得最大均值差异（MMD）检验无法区分不同敏感组的表示，同时保留关于目标属性的信息。最小化 MMD 检验的功效比最大化它（如先前工作所做）更困难，因为检验阈值的复杂行为不能被简单忽略。我们的方法利用块检验方案的简单渐近性质，高效地找到公平表示，而无需现有公平表示学习工作中广泛使用的复杂对抗优化或生成建模方案。我们在多个数据集上评估了我们的方法，展示了其“隐藏”敏感属性信息的能力，以及其在下游迁移任务中的有效性。
引用
@article{arxiv.2211.07907,
title = {MMD-B-Fair: Learning Fair Representations with Statistical Testing},
author = {Namrata Deka and Danica J. Sutherland},
journal= {arXiv preprint arXiv:2211.07907},
year = {2023}
}