跳到正文
arXiv · ML· Zhengchi Ma, Kaifeng Zhang, Anru R. Zhang·· 7 天前AI 评分37

合成数据增强在数据不平衡下的公平性:理论与自适应分配

Synthetic Data Augmentation for Fairness under Data Imbalance: Theory and Adaptive Allocation

AI 导读

该研究提出ACASA方法,通过最小化估计的公平性差距并受预测准确率约束,学习合成数据增强的位置与数量。 理论分析表明全平衡增强严格改善Equal Opportunity,且有限样本收敛率与信息论下界一致;仿真与真实数据应用证实该方法能显著降低公平性差距并实现有利的公平-准确率权衡。

来源:arXiv · ML · arxiv.org