APFEx：面向交叉公平性的自适应帕累托前沿探索器
计算机视觉与模式识别
2025-12-17 v2
摘要
在机器学习模型中确保公平性尤为重要，尤其是当偏见在交叉受保护属性（如种族、性别和年龄）之间叠加时。虽然现有方法针对单个属性解决公平性问题，但无法捕捉面向交叉子群体所遭受的细微且叠加的偏见。我们引入自适应帕累托前沿探索器（APFEx），该框架首次显式将交叉公平性建模为对敏感属性笛卡尔积中的联合优化问题。APFEx结合了三项关键创新——（1）一个自适应多目标优化器，动态在帕累托锥投影、梯度加权和探索策略之间切换，以导航公平性-准确性权衡；（2）可微分的交叉公平性度量，使非平滑子群差异能够进行梯度优化；（3）收敛至帕累托最优解的理论保证。实验在四个真实数据集上进行，结果表明APFEx在保持竞争性准确率的同时显著减少了公平性违规。我们的工作填补了公平机器学习中的关键空白，为交叉公平性提供了一个可扩展、模型无关的解决方案。
引用
@article{arxiv.2509.13907,
title = {White Aggregation and Restoration for Few-shot 3D Point Cloud Semantic Segmentation},
author = {Jiyun Im and SuBeen Lee and Miso Lee and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2509.13907},
year = {2025}
}
备注
10 pages, 6 figures