.png){kind=icon}
返回
Data debiasing via causal diffusion model
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-025-01111-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人工智能（AI）系统在现实世界中的大规模部署，在处理目标任务时，人们越来越关注有害偏见问题。这些偏见源于针对敏感属性的不平衡训练数据，可能导致对特定群体或个人的不公平对待。为应对这些挑战，我们设计了一种公平感知的因果扩散模型（FCDM），该模型利用基于神经网络的架构生成反事实样本。这些反事实样本用于扩充原始数据集，以在敏感属性上实现平衡，从而进行公平的模型训练。一般来说，公平模型训练中的合格反事实样本生成方法需要具备翻转原始样本特定敏感属性的能力，同时尽可能保持其他属性不变，并处理涉及一个或多个敏感属性的场景。为此，FCDM识别需要同时翻转的属性集，并通过因果推理计算相应的属性权重。所选属性及其权重将输入到条件引导扩散模型中，通过调整模型梯度生成所需的反事实样本。实验表明，FCDM生成的反事实样本在有效性、相似性和多样性方面优于现有方法。此外，在FCDM生成的扩充数据集上训练的模型表现出理想的公平性和准确性。
Keyword:
Fairness
Data debiasing
Causal
Diffusion model
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容