面向公平分类的多目标少样本学习
机器学习
2021-10-06 v1 计算与语言
摘要
在本文中，我们提出一个通用框架，用于缓解数据中预测类别相对于次要属性（例如种族、性别等）的差异。我们提出的方法涉及学习一个多目标函数，该函数除了学习从数据预测主要类别标签这一主要目标外，还采用基于聚类的启发式方法来最小化类别标签分布相对于聚类成员关系的差异，其假设为每个聚类理想地映射到属性值的一个不同组合。实验表明，在基准数据集上，无需使用次要属性值标注（零样本情形）或使用少量属性值标注（少样本情形），均能有效地缓解认知偏差。
引用
@article{arxiv.2110.01951,
title = {Multi-Objective Few-shot Learning for Fair Classification},
author = {Ishani Mondal and Procheta Sen and Debasis Ganguly},
journal= {arXiv preprint arXiv:2110.01951},
year = {2021}
}
备注
Accepted as a short paper in CIKM 2021