用于图像分类的 Rényi 公平信息瓶颈
机器学习
2022-05-03 v2 信息论
math.IT
摘要
我们开发了一种确保机器学习公平性的新方法，将其称为 Rényi 公平信息瓶颈（RFIB）。我们考虑了两种不同的公平性约束——人口统计均等和机会均等——用于学习公平表示，并通过使用 Rényi 散度及其可调参数 的变分方法推导出损失函数，该函数兼顾了效用、公平性和表示紧凑性的三重约束。然后，我们使用 EyePACS 医学成像数据集评估了我们的方法在图像分类上的性能，结果表明，在使用包括准确率差距和 Rawls 最小准确率在内的多种复合效用/公平性指标进行衡量时，其性能优于竞争的 SOTA 技术。
引用
@article{arxiv.2203.04950,
title = {Renyi Fair Information Bottleneck for Image Classification},
author = {Adam Gronowski and William Paul and Fady Alajaji and Bahman Gharesifard and Philippe Burlina},
journal= {arXiv preprint arXiv:2203.04950},
year = {2022}
}
备注
To appear in the Proceedings of CWIT'22