ترجمه فارسی مقاله یادگیری بازنمایی های متغیر منصفانه تحت تغییر همزمان و همبستگی همزمان

چکیده

Achieving the generalization of an invariant classifier from training domains to shifted test domains while simultaneously considering model fairness is a substantial and complex challenge in machine learning. Existing methods address the problem of fairness-aware domain generalization, focusing on either covariate shift or correlation shift, but rarely consider both at the same time. In this paper, we introduce a novel approach that focuses on learning a fairness-aware domain-invariant predictor within a framework addressing both covariate and correlation shifts simultaneously, ensuring its generalization to unknown test domains inaccessible during training. In our approach, data are first disentangled into content and style factors in latent spaces. Furthermore, fairness-aware domain-invariant content representations can be learned by mitigating sensitive information and retaining as much other information as possible. Extensive empirical studies on benchmark datasets demonstrate that our approach surpasses state-of-the-art methods with respect to model accuracy as well as both group and individual fairness.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به تعمیم یک طبقه بندی کننده ثابت از حوزه های آموزشی به حوزه های تست تغییر یافته در حالی که همزمان در نظر گرفتن انصاف مدل یک چالش اساسی و پیچیده در یادگیری ماشین است.روشهای موجود به مسئله تعمیم دامنه انصاف آگاه ، با تمرکز بر تغییر متغیرهای متغیر یا تغییر همبستگی پرداخته می شود ، اما بندرت هر دو را به طور همزمان در نظر می گیرد.در این مقاله ، ما یک رویکرد جدید را معرفی می کنیم که بر یادگیری یک پیش بینی کننده دامنه-متغیر در یک چارچوب که به طور همزمان تغییر می کند و همزمان همزمان همزمان می شود ، متمرکز می شود و از تعمیم آن در حوزه های آزمون ناشناخته غیرقابل دسترسی در طول آموزش اطمینان می دهیم.در رویکرد ما ، داده ها ابتدا در فضاهای نهفته به عوامل محتوا و سبک تقسیم می شوند.علاوه بر این ، بازنمایی محتوای متغیر دامنه-متغیرهای متعارف را می توان با کاهش اطلاعات حساس و حفظ تا آنجا که ممکن است اطلاعات دیگر آموخت.مطالعات تجربی گسترده در مورد مجموعه داده های معیار نشان می دهد که رویکرد ما از روشهای پیشرفته با توجه به دقت مدل و همچنین انصاف گروهی و فردی پیشی می گیرد.