面向变化环境中反事实公平感知的域泛化

认识到域偏移作为机器学习中常见挑战的普遍性，已开发各种域泛化（DG）技术以提升机器学习系统在处理分布外（OOD）数据时的性能。此外，在真实场景中，数据分布可跨一系列顺序域逐渐变化。尽管当前方法主要聚焦于提升模型在这些新域内的有效性，它们常忽视整个学习过程中的公平性问题。对此，我们引入一种称为基于顺序自编码器的反事实公平感知域泛化（CDSAE）的创新框架。该方法有效将环境信息与敏感属性从分类特征的嵌入表示中分离。这种并发分离不仅大幅改善模型在多样且陌生域间的泛化能力，还有效应对与不公平分类相关的挑战。我们的策略根植于因果推断原理以解决这两重问题。为审视语义信息、敏感属性与环境线索间的复杂关系，我们系统性地将外生不确定性因素分为四个潜变量：1) 受敏感属性影响的语义信息，2) 不受敏感属性影响的语义信息，3) 受敏感属性影响的环境线索，4) 不受敏感属性影响的环境线索。通过引入公平正则化，我们仅使用语义信息进行分类。在合成与真实世界数据集上的实证验证证实了我们的方法的有效性，展示了在连续域演变环境中保持公平的同时提升的准确率水平。