迈向公平深度异常检测

异常检测旨在发现被认为不寻常的实例，是数据科学的一个基本问题。近来，深度异常检测方法被证明在图像等复杂数据中取得了优越的结果。我们的工作聚焦于用于异常检测的深度单类分类，其仅从正常样本中学习映射。然而，深度学习所执行的非线性变换可能会潜在地发现与社会偏见相关的模式。在深度异常检测中加入公平性的挑战在于同时确保做出公平且正确的异常预测。本文中，我们提出了一种用于公平异常检测方法的新架构（Deep Fair SVDD），并使用对抗网络对其进行训练，以解耦敏感属性与所学表示之间的关系。这与通常将公平性作为正则化项或约束加入的方式不同。此外，我们提出了两种有效的公平性度量，并经验性地证明现有的深度异常检测方法是不公平的。我们展示了所提方法能在异常检测性能损失极小的情况下大幅消除不公平性。最后，我们进行了深入分析以展示所提模型的优势与局限，包括参数分析、特征可视化和运行时间分析。