走向公平感知的对抗学习
原文中文，约500字，阅读约需2分钟。发表于：。在这篇论文中，我们提出了一种名为公平感知对抗学习（FAAL）的新的学习范式，通过将鲁棒训练问题重新定义为最小 - 最大 - 最大框架，以确保训练模型的鲁棒性和公平性。具体而言，通过利用分布鲁棒优化，我们的方法旨在在不同类别之间找到最差的分布，解决方法保证了高概率的上界性能。FAAL 可以在仅两个迭代周期内将一个不公平的鲁棒模型调整为公平模型，而不牺牲整体准确性和鲁棒性，实验证明了 FAAL...
该研究提出了特征公平性作为实现公正的推荐系统的基础，通过平衡特征的普适性来提高整体准确性。实验结果表明，自适应对抗扰动方法在公平性和准确性方面优于强基准。对抗扰动需要得到很好的管理，扰动不应过于持续，并且强度应减弱。
