Tabela de links
Resumo e 1 Introdução
2 trabalhos relacionados
3 preliminares
3.1 Aprendizagem supervisionada justa e 3.2 critérios de justiça
3.3 Medidas de dependência para aprendizado justo
4 vieses indutivos de aprendizado supervisionado justo baseado em DP
4.1 Estendendo os resultados teóricos à regra de previsão randomizada
5 Uma abordagem de otimização robusta distribuída para a aprendizagem justa baseada em DP
6 resultados numéricos
6.1 Configuração experimental
6.2 vieses indutivos de modelos treinados em aprendizado justo baseado em DP
6.3 Classificação justa baseada em dP em aprendizado federado heterogêneo
7 Conclusão e referências
Apêndice A provas
Apêndice B Resultados adicionais para conjunto de dados de imagem
Apêndice A provas
A.1 Prova do Teorema 1
Portanto, para a função objetiva na Equação (1), podemos escrever o seguinte:
Sabendo que a TV é uma distância métrica que satisfaz a desigualdade do triângulo, as equações acima mostram que
Portanto,
A.2 Prova do Teorema 2
A.3 Prova do Teorema 3
Portanto, podemos seguir a prova de teoremas 1,2, que mostra a desigualdade acima leva aos limites reivindicados nos teoremas.
Apêndice B Resultados adicionais para conjunto de dados de imagem
Esta parte mostra os vieses indutivos do classificador justo baseado em DP para o conjunto de dados do Celeba, bem como as parcelas visualizadas. Para as linhas de base, dois classificadores justos são implementados para classificação justa de imagem: KDE proposto por [11] e MI proposto por [6]com base no Resnet-18 [28].
Autores:
(1) Haoyu Lei, Departamento de Ciência e Engenharia da Computação, Universidade Chinesa de Hong Kong ([email protected]);
(2) Amin Gohari, Departamento de Engenharia de Informações, Universidade Chinesa de Hong Kong ([email protected]);
(3) Farzan Farnia, Departamento de Ciência e Engenharia da Computação, Universidade Chinesa de Hong Kong ([email protected]).
