无需使用受保护属性信息的无偏模型预测
计算机视觉与模式识别
2026-04-07 v2
摘要
偏见问题在深度学习领域持续存在，因为模型在不同人口统计子群体之间仍表现出不一致的性能。因此，已有多种算法被提出以提高深度模型的公平性。然而，这些算法中的大多数利用受保护属性信息进行偏见缓解，这严重限制了它们在实际场景中的应用。为了解决这一问题，我们提出了一种新的算法，称为基于非受保护属性的去偏（NPAD）算法，用于偏见缓解，该算法不需要受保护属性信息。所提出的NPAD算法利用非受保护属性提供的辅助信息来优化模型以实现偏见缓解。此外，提出了两种不同的损失函数，即基于属性聚类的去偏损失（DACL）和滤波器冗余损失（FRL），用于优化模型以实现公平性目标。在LFWA和CelebA数据集上针对面部属性预测进行了多项实验，观察到不同性别和年龄子群体之间的偏见显著降低。
引用
@article{arxiv.2603.29270,
title = {Unbiased Model Prediction Without Using Protected Attribute Information},
author = {Puspita Majumdar and Surbhi Mittal and Saheb Chhabra and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:2603.29270},
year = {2026}
}