TPAMI 2025 | 基于积分概率度量期望的连续敏感属性公平表示学习

主要观点总结

本文介绍了一篇关于连续敏感属性公平表示学习的论文。论文提出了一种新的公平度量指标——积分概率度量期望（EIPM），并基于此设计了FREM算法，用于学习连续敏感属性的公平表示。论文在公平性预测权衡方面优于各种基线方法。

关键观点总结

关键观点1: 论文创新点

提出新的公平度量指标：积分概率度量期望（EIPM），用于评估连续敏感属性表示空间的公平性水平。设计EIPM估计器，使用核平滑技术估计EIPM。开发FREM算法，基于EIPM及其估计，用于学习连续敏感属性的公平表示。

关键观点2: EIPM的定义与性质

EIPM作为条件分布与边际分布之间的偏差度量，对于FRL具有理想的性质。EIPM值为零保证了完美公平性，而且只要预测头包含在适当定义的函数类中，任何给定预测头的GDP水平都可以由EIPM水平控制。

关键观点3: EIPM的估计

对于二元和多元敏感属性，可以使用自然估计器来估计EIPM。但对于连续敏感属性，需要使用一种新的核平滑技术来提出一致的EIPM估计器。

关键观点4: 鉴别器的选择与MMD的作用

作者选择MMD作为IPM的鉴别器，这是因为MMD有一个封闭形式的解，使得作者可以在不进行对抗学习的情况下学习和估计EIPM。

关键观点5: FREM算法的学习过程

FREM算法通过联合最小化关于敏感属性和输出的有监督风险，在满足公平性约束的编码器中找到一个好的编码器。在实践中，使用EIPM的估计器来代替不可用的EIPM值，并选择合适的带宽来学习公平表示。