利用分层群组结构实现交叉公平的合成数据生成
原文中文，约400字，阅读约需1分钟。发表于：。该论文介绍了一种特定的数据增强方法，旨在增强分类任务中的交叉公平性。这种方法利用交叉性内在的层级结构，将群体视为其父类别的交集，通过学习组合父类群体数据的转换函数，对较小群体进行数据增强。我们对四个不同数据集进行的实证分析（包括文本和图像）表明，使用这种数据增强方法训练的分类器在交叉公平性方面表现优秀，并且在与优化传统群体公平度量方法相比时更具鲁棒性。
本研究使用深度学习模型在胸部X射线诊断方面取得进展，通过考虑传统受保护属性和社会决定因素的交互作用，提出了一个公平性框架。通过重新训练预训练模型的分类层和类别平衡微调，实现了准确性和公平性的最佳权衡。该方法在MIMIC-CXR数据集上进行了评估。
