Synthetic Data Generation for Intersectional Fairness by Leveraging Hierarchical Group Structure

要約

このペーパーでは、分類タスクにおける交差の公平性を強化するために特別に調整されたデータ拡張アプローチを紹介します。
私たちの方法は、グループをその親カテゴリの交差として見ることにより、交差性に固有の階層構造を利用します。
この観点から、これらの親グループからのデータを結合する変換関数を学習することで、より小さなグループのデータを増強することができます。
テキストと画像の両方を含む 4 つの多様なデータセットに対して実施された実証分析では、このデータ拡張アプローチでトレーニングされた分類器が優れた交差公平性を達成し、従来のグループ公平性メトリクスを最適化する方法と比較して「平準化」に対してより堅牢であることが明らかになりました。

要約(オリジナル)

In this paper, we introduce a data augmentation approach specifically tailored to enhance intersectional fairness in classification tasks. Our method capitalizes on the hierarchical structure inherent to intersectionality, by viewing groups as intersections of their parent categories. This perspective allows us to augment data for smaller groups by learning a transformation function that combines data from these parent groups. Our empirical analysis, conducted on four diverse datasets including both text and images, reveals that classifiers trained with this data augmentation approach achieve superior intersectional fairness and are more robust to “leveling down” when compared to methods optimizing traditional group fairness metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google