ProtoFair：基于伪反事实对的公平自监督对比学习
计算机视觉与模式识别
2026-05-05 v1
摘要
自监督学习方法可学习高质量视觉表征，但近期研究表明这些表征常捕获训练数据中存在的人口统计偏见。现有公平性感知方法通过重塑自监督目标本身来解决此问题，限制了其在快速演化的自监督学习（SSL）框架生态中的可移植性。我们提出 ProtoFair，一种旨在与现有 SSL 目标协同工作而无需修改其设计的公平性对比损失。ProtoFair 利用无监督原型聚类识别伪反事实对：共享相同簇分配但属于不同敏感组的样本。通过将这些内容匹配的跨组样本在嵌入空间中拉近，ProtoFair 鼓励编码器学习对敏感属性不变的表征。该方法仅需敏感属性标注，无需目标标签，能无缝集成于 SimCLR 与 SupCon。在 CelebA 与 UTKFace 上的实验表明，ProtoFair 在保持竞争性精度的同时持续实现公平性改进。
引用
@article{arxiv.2605.01971,
title = {ProtoFair: Fair Self-Supervised Contrastive Learning via Pseudo-Counterfactual Pairs},
author = {Marah Halawa and Olaf Hellwich},
journal= {arXiv preprint arXiv:2605.01971},
year = {2026}
}