利用有限人口统计信息通过多任务学习迁移公平性
机器学习
2024-04-17 v2 计算机与社会
摘要
使用公平性损失训练有监督机器学习系统可以改善不同人口统计群体间的预测公平性。然而，这样做需要训练数据的人口统计标注，否则我们无法为大多数任务生成去偏的分类器。受迁移学习方法的启发，我们研究是否可以利用来自相关任务的人口统计数据来改善目标任务的公平性。我们将单任务公平性损失适配到多任务设置中，以利用相关任务的人口统计标签对目标任务去偏，并证明人口统计公平性目标能在多任务框架内迁移公平性。此外，我们表明该方法通过在不同单轴人口统计的两个数据集之间迁移，能够实现交叉公平性。我们探索了不同的数据域，以展示我们的损失如何改善公平性域与任务。
引用
@article{arxiv.2305.12671,
title = {Transferring Fairness using Multi-Task Learning with Limited Demographic Information},
author = {Carlos Aguirre and Mark Dredze},
journal= {arXiv preprint arXiv:2305.12671},
year = {2024}
}