针对不平衡群体的公平异常检测
原文中文，约500字，阅读约需2分钟。发表于：。本文解决了现有异常检测方法在面对不平衡数据时，模型公平性不足的问题，特别是针对受保护群体的正常样本常被错误标记为异常的现象。提出的FairAD方法通过引入公平意识对比学习模块和重平衡自编码器模块，确保了公平性并处理了不平衡数据。实证研究表明，FairAD在多个真实数据集上表现出色，具有显著的效果和效率。
研究者开发了贝叶斯最优公平分类方法，以解决机器学习算法对受保护群体造成的不公平影响。他们介绍了线性和双线性差异度量的概念，并证明了几种差异度量都是双线性的。通过与Neyman-Pearson引理的联系，他们找到了贝叶斯最优公平分类器的形式。实验证明，他们的方法比现有算法更可取。
