摘要

本文针对分类任务中数据增强可能引入的不公平影响问题，提出了一种名为FAir Classification with a Two-player game (FACT)的新方法。该方法通过将分类器的训练过程建模为一个公平优化的对抗性双人游戏，旨在确保数据增强的好处均匀分布于所有类别，而不是集中在少数类别上。论文通过理论证明和实验验证，展示了FACT方法能够在不显著影响平均准确率的情况下，有效减少类别间的不公平性，并提升最差类别的表现。

原理

FACT方法的核心在于将分类器的训练过程视为一个双人对抗游戏，其中“最大玩家”旨在最大化模型的整体准确率，而“最小玩家”则专注于确保不同类别间的公平性。通过引入一种新的乘法权重优化算法，该方法能够动态调整每个类别的权重，使得性能较弱的类别得到更多关注。理论分析表明，该算法能够收敛到一个在类别间公平的解决方案。此外，论文还揭示了类别间的不公平现象不仅由数据增强引起，而是一个更普遍的现象。

流程

FACT方法的工作流程包括初始化模型参数和权重向量，然后在每个训练周期中，模型参数根据计算的损失进行更新。权重向量则根据模型在所有类别上的表现进行调整。具体来说，每个周期结束时，“最小玩家”选择一个类别分布权重，“最大玩家”则根据这些权重优化加权目标函数。这一过程重复进行，直到达到预设的训练周期数。论文中还提供了详细的算法伪代码和实验设置，展示了如何在实际应用中实施这一方法。

应用

FACT方法的应用前景广泛，特别是在需要公平分类的领域，如医疗诊断、金融风险评估和法律判决等。通过确保所有类别的公平处理，该方法有助于减少偏见和歧视，从而提高机器学习系统的整体可信度和接受度。此外，由于其简单的超参数设置和有效的性能，FACT方法易于适应各种机器学习应用场景。