理解与改进多任务学习中的公平性与准确性权衡
机器学习
2021-06-08 v1
摘要
随着多任务模型在更广泛的机器学习应用中普及，从业者理解这些模型相关的公平性影响变得愈发重要。现有大多数公平性文献关注于更公平地学习单一任务，而 ML 公平性如何在联合学习设置中与多个任务相互作用则很大程度上未被探索。在本文中，我们关注群体公平性（例如，机会均等、均等赔率）作为一种 ML 公平性概念如何在多任务场景中体现。在多任务学习中，多个任务被联合学习以利用任务相关性实现更高效的归纳迁移。这呈现了一个多维帕累托前沿，涉及（1）各任务上群体公平性与准确性之间的权衡，以及（2）多个任务之间的权衡。我们旨在更深入地理解群体公平性如何在多任务学习中与准确性相互作用，并且我们表明主要聚焦于优化多任务准确性帕累托前沿的传统方法在公平性目标上可能表现不佳。我们提出了一组新的度量标准，以更好地捕捉多任务学习设置中独特呈现的公平性-准确性权衡的多维帕累托前沿。我们进一步提出了一种多任务感知公平性（MTA-F）方法来改进多任务学习中的公平性。在多个真实世界数据集上的实验证明了我们所提方法的有效性。
引用
@article{arxiv.2106.02705,
title = {Understanding and Improving Fairness-Accuracy Trade-offs in Multi-Task Learning},
author = {Yuyan Wang and Xuezhi Wang and Alex Beutel and Flavien Prost and Jilin Chen and Ed H. Chi},
journal= {arXiv preprint arXiv:2106.02705},
year = {2021}
}