PulseAugur
中
实时 08:48:56
English(EN) ProtoFair: Fair Self-Supervised Contrastive Learning via Pseudo-Counterfactual Pairs

ProtoFair 通过使用伪反事实对引入公平的自监督学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为 ProtoFair 的新方法，用于增强自监督学习模型的公平性。该方法可与现有的自监督学习框架集成，而无需修改其核心目标。ProtoFair 利用无监督原型聚类来创建伪反事实对，使模型能够学习对种族或性别等敏感属性不变的表示。在 CelebA 和 UTKFace 等基准数据集上的实验表明，ProtoFair 在提高公平性的同时保留了模型的准确性。 AI

影响 引入了一种新技术，可以在不改变核心目标的情况下减轻自监督学习表示中的人口统计学偏差。

排序理由 这是一篇详细介绍改进自监督学习公平性新方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

ProtoFair 通过使用伪反事实对引入公平的自监督学习

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Marah Halawa, Olaf Hellwich ·

    ProtoFair：通过伪反事实对实现公平的自监督对比学习

    arXiv:2605.01971v1 Announce Type: new Abstract: Self-supervised learning methods learn high-quality visual representations, yet recent studies show that these representations often capture demographic biases present in the training data. Existing fairness-aware methods address th…

相关实体

相关话题