从层次到公平：基于原型的分类
机器学习
2022-05-30 v1 人工智能
摘要
人工神经网络可以表示和分类许多类型的数据，但通常是针对特定应用而定制的——例如，用于“公平”或“层次”分类。一旦选定了架构，人类往往难以针对新任务调整模型；例如，层次分类器无法轻易转换为屏蔽受保护字段的公平分类器。我们在本工作中的贡献是一种新的神经网络架构，即概念子空间网络（CSN），它将现有的专用分类器推广为统一的模型，能够学习多概念关系的谱系。我们证明了 CSN 在强制概念独立时复现了公平分类中的最先进结果，可以转换为层次分类器，甚至可以在单一分类器中调和公平与层次。CSN 的灵感来自现有的基于原型的分类器，后者促进了可解释性。
引用
@article{arxiv.2205.13997,
title = {Prototype Based Classification from Hierarchy to Fairness},
author = {Mycal Tucker and Julie Shah},
journal= {arXiv preprint arXiv:2205.13997},
year = {2022}
}