FairAC的可重复性研究
机器学习
2024-06-11 v2 人工智能
摘要
本文旨在通过研究论文中提出的主张，重现Guo、Chu和Li在arXiv:2302.12977中发表的论文“Fair Attribute Completion on Graph with Missing Attributes”的发现。本文表明原始论文的结果是可重现的，因此其主张成立。然而，FairAC是一个适用于许多下游任务的通用框架这一主张过于宽泛，因此只能进行部分测试。此外，我们展示了FairAC可推广到各种数据集和敏感属性，并提供了证据表明FairAC框架在群体公平性方面的改进并非以牺牲个体公平性为代价。最后，FairAC的代码库已被重构，现在易于应用于各种数据集和模型。
引用
@article{arxiv.2406.03314,
title = {Reproducibility study of FairAC},
author = {Gijs de Jong and Macha J. Meijer and Derck W. E. Prinzhorn and Harold Ruiter},
journal= {arXiv preprint arXiv:2406.03314},
year = {2024}
}
备注
14 pages, 2 figures, accepted at TMLR