ACM的通信
ACM技术
将公平注入ML模型
马萨诸塞州技术研究所研究人员开发了一种技术，可以直接将公平诱导到机器学习模型中，无论训练数据集如何不平衡，这可以提高模型在下游任务上的性能。
信贷：何塞 - 路易斯奥利赛马，麻省理工学院
马萨诸塞州理工学院（麻省理工学院）的研究人员，加拿大多伦多大学，德国劳工大学已经开发了一种将公平纳入机器学习（ML）模型的方法，即使它们在不公平数据上培训。
该团队适应了深度度量学习技术来映射嵌入空间中的特定属性，其中属性之间的相似性度量对应于它们之间的距离;这在嵌入空间中产生了偏见，研究人员发现无法克服的空间。
研究人员的解决方案，部分属性去相关性（Parade），列举模型以学习敏感属性的单独相似度度量，然后从目标相似度量去相关性度量。
该属性的相似性度量在单独的嵌入空间中学习，并且在训练之后被抛弃，因此只有目标相似度度量仍然存在。
研究人员发现游行在面部识别和鸟类分类中降低了偏差诱导的性能差距。
从麻省理工学院新闻
查看完整的文章
摘要版权所有©2022史密斯巴克林，华盛顿，直流，美国
没有发现任何条目