مقاله تعمیم دامنه حساس به شفافیت تحت تغییرات متغیر و وابستگی

چکیده

Achieving the generalization of an invariant classifier from source domains to shifted target domains while simultaneously considering model fairness is a substantial and complex challenge in machine learning. Existing domain generalization research typically attributes domain shifts to concept shift, which relates to alterations in class labels, and covariate shift, which pertains to variations in data styles. In this paper, by introducing another form of distribution shift, known as dependence shift, which involves variations in fair dependence patterns across domains, we propose a novel domain generalization approach that addresses domain shifts by considering both covariate and dependence shifts. We assert the existence of an underlying transformation model can transform data from one domain to another. By generating data in synthetic domains through the model, a fairness-aware invariant classifier is learned that enforces both model accuracy and fairness in unseen domains. Extensive empirical studies on four benchmark datasets demonstrate that our approach surpasses state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به تعمیم یک طبقه بندی کننده ثابت از حوزه های منبع به حوزه های هدف تغییر یافته در حالی که همزمان در نظر گرفتن انصاف مدل یک چالش اساسی و پیچیده در یادگیری ماشین است.تحقیقات عمومی سازی دامنه موجود به طور معمول تغییر دامنه به تغییر مفهوم را نشان می دهد ، که مربوط به تغییرات در برچسب های کلاس و تغییر متغیر است ، که مربوط به تغییرات در سبک های داده است.در این مقاله ، با معرفی شکل دیگری از تغییر توزیع ، معروف به تغییر وابستگی ، که شامل تغییرات در الگوهای وابستگی منصفانه در حوزه ها است ، ما یک رویکرد کلی سازی دامنه جدید را پیشنهاد می کنیم که با در نظر گرفتن تغییر هم متغیرها و وابستگی ، به تغییر دامنه می پردازد.ما ادعا می کنیم وجود یک مدل تحول اساسی می تواند داده ها را از یک دامنه به دامنه دیگر تبدیل کند.با تولید داده ها در حوزه های مصنوعی از طریق مدل ، یک طبقه بندی کننده متغیر متعارف آگاهانه آموخته می شود که هم دقت مدل و هم انصاف را در حوزه های غیب اعمال می کند.مطالعات تجربی گسترده در مورد چهار مجموعه داده معیار نشان می دهد که رویکرد ما از روشهای پیشرفته پیشی می گیرد.