一篇新发表在arXiv上的研究论文，探讨了图像分类中反事实公平（CF）与群体公平（GF）之间的关系。研究人员构建了新的数据集 \oursceleb 和 \ourslfw，以同时评估这两种公平性度量。他们的发现表明，在图像分类中，CF并不一定意味着GF，这与之前在表格数据集上的观察结果不同。这种差异归因于存在与敏感属性相关的潜在属性，例如第二性征和头发长度。为了解决这个问题，该研究提出了反事实知识蒸馏（CKD）作为一种减少对这些潜在属性依赖的方法，从而使实现CF的模型能够满足GF。 AI
影响 这项研究突显了图像分类模型在公平性度量方面可能存在的差异，表明需要新的方法来确保公平的结果。
排序理由 关于AI公平性度量的学术论文。
- arXiv
- Counterfactual Fairness Circularity
- Counterfactual Knowledge Distillation
- Group Fairness
- image classification
- \oursceleb
- \ourslfw
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
