핵심 개념
新しいタスクでの事前学習モデルの微調整におけるバイアスを軽減するための効果的な方法を提案し、その効果を示した。
초록
多くの実世界アプリケーションで広く使用されている事前学習モデルの微調整は、新しいタスクで不公平な結果をもたらす可能性がある。この問題に対処するため、バイアスを軽減するために設計された効率的かつ堅牢な微調整フレームワークが紹介されています。実験分析では、異なる人口グループに対する予測に影響を与える事前学習モデル内のパラメータが異なることが示され、これに基づいて重要な重みの影響を中立化する転移学習戦略が採用されます。さらに、この重み重要度中立化戦略を行列因子分解技術と統合し、少ないパラメータを使用して重み行列の低ランク近似を提供します。複数の事前学習モデルと新しいタスクでの実験は、この手法の有効性を示しています。
통계
本実験では、予測エラー率は15.829%まで低下しました。
バイアスは0.197±0.011まで低下しました。
Equalized Odds(EO)では0.180±0.022まで低下しました。
Demographic Parity(DP)では0.180±0.022まで低下しました。
인용구
"我々はバイアスを軽減するためにFisher情報を使用して重要度評価し、それをSVDに組み込んだ。"
"提案手法は予測エラー率と公平性違反双方で比較的低い値を示しています。"