基于类间鲁棒优化的重加权群体公平性正则化
机器学习
2023-03-02 v1 人工智能
计算机与社会
摘要
许多现有的群体公平性感知训练方法旨在通过基于特定规则对代表性不足的群体进行重加权,或在目标中使用公平性度量的弱近似替代项作为正则化项来实现群体公平。尽管每种学习方案在适用性 or 性能方面各有优势,但任一类中的任何方法都难以被视为黄金标准,因为其成功表现通常局限于特定情形。为此,我们提出一种称为FairDRO的原则性方法,该方法通过类间分布鲁棒优化(DRO)框架将群体公平性度量合理地纳入训练目标,从而统一了上述两种学习方案。随后我们开发了一种迭代优化算法,通过自动为每个群体生成正确的重权重来最小化所得目标。我们的实验表明,FairDRO具有可扩展性且易于适配多样应用,并且在多个基准数据集上相较于近期强基线,在准确性-公平性权衡方面持续达到最先进性能。
引用
@article{arxiv.2303.00442,
title = {Re-weighting Based Group Fairness Regularization via Classwise Robust Optimization},
author = {Sangwon Jung and Taeeon Park and Sanghyuk Chun and Taesup Moon},
journal= {arXiv preprint arXiv:2303.00442},
year = {2023}
}