README：基于公平性感知解耦方法的表示学习
机器学习
2020-07-09 v1 计算机视觉与模式识别
机器学习
摘要
公平表示学习旨在编码关于受保护属性（如性别或年龄）的不变表示。在本文中，我们设计了公平性感知解耦变分自编码器（FD-VAE）用于公平表示学习。该网络通过去相关损失将潜空间解耦为三个子空间，该损失鼓励每个子空间包含独立信息：1）目标属性信息，2）受保护属性信息，3）共同属性信息。在表示学习之后，通过排除包含受保护属性信息的子空间，利用该解耦表示进行更公平的下游分类。我们在 CelebA 和 UTK Face 数据集上通过大量实验证明了我们模型的有效性。在相等机会和均等几率方面，我们的方法大幅优于先前的最先进（SOTA）方法。
引用
@article{arxiv.2007.03775,
title = {README: REpresentation learning by fairness-Aware Disentangling MEthod},
author = {Sungho Park and Dohyung Kim and Sunhee Hwang and Hyeran Byun},
journal= {arXiv preprint arXiv:2007.03775},
year = {2020}
}
备注
8 pages, 3 figures