论生成对抗网络（GANs）的公平性
机器学习
2021-05-24 v2 计算机视觉与模式识别
摘要
生成对抗网络（GANs）是近年来AI最伟大的进展之一。凭借直接学习数据概率分布并进而采样合成逼真数据的能力，许多应用应运而生，利用GANs解决机器学习中的经典问题，如数据增强、类别不平衡问题，以及公平表示学习。本文分析并凸显GANs模型的公平性隐忧。就此，我们经实证表明GANs模型在训练过程中可能固有地偏好某些群体，因而在测试阶段无法均匀地从不同群体生成数据。此外，我们提出解决方案：将GAN模型以样本群体为条件，或使用集成方法（提升法）使GAN模型在训练阶段利用数据的分布式结构，并在测试阶段以均等速率生成各群体数据。
引用
@article{arxiv.2103.00950,
title = {On the Fairness of Generative Adversarial Networks (GANs)},
author = {Patrik Joslin Kenfack and Daniil Dmitrievich Arapov and Rasheed Hussain and S. M. Ahsan Kazmi and Adil Mehmood Khan},
journal= {arXiv preprint arXiv:2103.00950},
year = {2021}
}
备注
Corrected typos, added results on CelibA dataset