本文討論的是機(jī)器學(xué)習(xí)中的公平公正問(wèn)題（Bias and Fairness in Machine Learning），那么，究竟什么是機(jī)器學(xué)習(xí)中的公平公正呢？

　　隨著人工智能系統(tǒng)和應(yīng)用程序在我們?nèi)粘Ｉ钪械膹V泛應(yīng)用，人工智能已經(jīng)成為了輔助人們決策的重要工具，例如，使用推薦系統(tǒng)算法做出電影推薦、購(gòu)買產(chǎn)品推薦等，使用預(yù)測(cè)和分析系統(tǒng)用于貸款申請(qǐng)、約會(huì)和雇傭等高風(fēng)險(xiǎn)決策。美國(guó)法院使用了一款人工智能軟件—「選擇性制裁罪犯管理檔案」(Correctional Offender Management Profiling for Alternative Sanctions，COMPAS），用于預(yù)測(cè)一個(gè)人再次犯罪的風(fēng)險(xiǎn)，輔助法官?zèng)Q定是釋放罪犯，還是把罪犯關(guān)進(jìn)監(jiān)獄。對(duì)該軟件的一項(xiàng)調(diào)查發(fā)現(xiàn)了對(duì)非洲裔美國(guó)人的一種偏見：相較于白人罪犯，COMPAS 更有可能給非洲裔美國(guó)人罪犯打出較高的潛在風(fēng)險(xiǎn)分?jǐn)?shù)，從而不予以釋放 [1]。

　　有偏的訓(xùn)練數(shù)據(jù)集一般被認(rèn)為是影響機(jī)器學(xué)習(xí)公平公正的重要因素之一。大多數(shù)機(jī)器學(xué)習(xí)模型都是通過(guò)在大型有標(biāo)記數(shù)據(jù)集上訓(xùn)練得到的。例如，在自然語(yǔ)言處理中，標(biāo)準(zhǔn)的算法是在包含數(shù)十億單詞的語(yǔ)料庫(kù)上訓(xùn)練的。研究人員通常通過(guò)抓取網(wǎng)站 (如谷歌圖像和谷歌新聞)、使用特定的查詢術(shù)語(yǔ)，或通過(guò)聚合來(lái)自維基百科 (Wikipedia) 等來(lái)源的易于訪問(wèn)的信息來(lái)構(gòu)建此類數(shù)據(jù)集。然后，由研究生或通過(guò) Amazon Mechanical Turk 等眾包平臺(tái)對(duì)這些數(shù)據(jù)集進(jìn)行注釋和標(biāo)記。

　　在醫(yī)學(xué)領(lǐng)域，由于醫(yī)療數(shù)據(jù)的生成和標(biāo)記成本非常高，機(jī)器學(xué)習(xí)特別容易受到有偏見訓(xùn)練數(shù)據(jù)集的影響。去年，研究人員利用深度學(xué)習(xí)從照片中識(shí)別皮膚癌。他們對(duì) 129,450 張圖像的數(shù)據(jù)集進(jìn)行訓(xùn)練，其中 60% 是從谷歌圖像中提取的。在這個(gè)數(shù)據(jù)集中只有不到 5% 的圖像是深膚色的個(gè)體，而且該算法沒有在深膚色的人身上進(jìn)行測(cè)試。因此，將該深度學(xué)習(xí)分類器應(yīng)用在不同的種群中可能會(huì)存在巨大的差異。

　　用于圖像分類的深度神經(jīng)網(wǎng)絡(luò)通常是在 ImageNet 上訓(xùn)練的，ImageNet 是一套包含 1400 多萬(wàn)張標(biāo)記圖像的集合。ImageNet 中 45% 以上的數(shù)據(jù)來(lái)自美國(guó)，而美國(guó)人口僅占世界人口的 4%。與此形成對(duì)比的是，盡管中國(guó)和印度的人口占世界人口的 36%，但兩國(guó)在 ImageNet 的數(shù)據(jù)中只占 3%。在這樣的數(shù)據(jù)集中訓(xùn)練得到的計(jì)算機(jī)視覺模型，把傳統(tǒng)的美國(guó)新娘穿著白色衣服的照片標(biāo)記為「新娘」、「服裝」、「女人」、「婚禮」，而把印度北部新娘的照片標(biāo)記為「行為藝術(shù)」和「服裝」。圖 1 是 Nature 上一篇報(bào)道中給出的一幅圖片，在有偏數(shù)據(jù)集上訓(xùn)練的算法通常只將左側(cè)的圖片識(shí)別為新娘 [2]。

　　圖 1. 在有偏數(shù)據(jù)集上訓(xùn)練的算法通常只將左手圖像識(shí)別為新娘 [2]

　　影響機(jī)器學(xué)習(xí)公平公正的另外一個(gè)重要因素是機(jī)器學(xué)習(xí)算法本身。一個(gè)經(jīng)典機(jī)器學(xué)習(xí)的算法總是試圖最大限度地提高在訓(xùn)練數(shù)據(jù)集中的總體預(yù)測(cè)精度。如果一組特定的個(gè)體在訓(xùn)練數(shù)據(jù)集中出現(xiàn)的頻率高于其他個(gè)體，那么算法將會(huì)針對(duì)這些個(gè)體進(jìn)行優(yōu)化，從而提高算法整體準(zhǔn)確度。在實(shí)驗(yàn)環(huán)境下，研究人員使用測(cè)試數(shù)據(jù)集進(jìn)行評(píng)估以驗(yàn)證算法的有效性，但是測(cè)試集通常是原始訓(xùn)練數(shù)據(jù)集的隨機(jī)子樣本，因此可能包含相同的偏見。

　　為了確保機(jī)器學(xué)習(xí)的公平公正，研究人員認(rèn)為主要有三種途徑：一是提高用于訓(xùn)練機(jī)器學(xué)習(xí)算法的數(shù)據(jù)質(zhì)量，公平、廣泛的收集不同來(lái)源的數(shù)據(jù)，使用標(biāo)準(zhǔn)化的元數(shù)據(jù)系統(tǒng)地標(biāo)注訓(xùn)練數(shù)據(jù)集的內(nèi)容。二是改進(jìn)機(jī)器學(xué)習(xí)算法本身。整合約束條件，從本質(zhì)上使得機(jī)器學(xué)習(xí)算法在不同的子群體和相似的個(gè)體之間實(shí)現(xiàn)公平的性能；改變學(xué)習(xí)算法，減少對(duì)敏感屬性的依賴，比如種族、性別、收入——以及任何與這些屬性相關(guān)的信息。三是使用機(jī)器學(xué)習(xí)本身來(lái)識(shí)別和量化算法和數(shù)據(jù)中的偏見，即開展人工智能審計(jì)，其中審計(jì)人員是一個(gè)系統(tǒng)地探測(cè)原始機(jī)器學(xué)習(xí)模型的算法，以識(shí)別模型和訓(xùn)練數(shù)據(jù)中的偏見。

　　本文重點(diǎn)談?wù)摍C(jī)器學(xué)習(xí)中算法的公平公正問(wèn)題，我們選擇了 ICML 2019 的三篇文章，分別針對(duì)機(jī)器學(xué)習(xí)領(lǐng)域中的圖嵌入問(wèn)題、回歸問(wèn)題，以及自然語(yǔ)言處理領(lǐng)域中的語(yǔ)言模型問(wèn)題展開了討論。

　　1、Compositional Fairness Constraints for Graph Embeddings

　　https://arxiv.org/pdf/1905.10674v1.pdf

　　本文是 Facebook 發(fā)表在 ICML 2019 中的一篇文章，針對(duì)現(xiàn)有的圖嵌入（Graph Embedding）算法無(wú)法處理公平約束的問(wèn)題，例如確保所學(xué)習(xí)的表示與某些屬性 (如年齡或性別) 不相關(guān)，通過(guò)引入一個(gè)對(duì)抗框架來(lái)對(duì)圖嵌入實(shí)施公平性約束。本文的研究?jī)?nèi)容屬于 (社會(huì)) 圖嵌入和算法公平性研究的交叉領(lǐng)域。

　　學(xué)習(xí)圖中節(jié)點(diǎn)的低維嵌入是目前最先進(jìn)的應(yīng)用于預(yù)測(cè)和推薦系統(tǒng)的方法。在實(shí)際應(yīng)用中，特別是涉及到社交圖的應(yīng)用中，需要有效控制學(xué)習(xí)到的節(jié)點(diǎn)嵌入中所包含的信息。以推薦系統(tǒng)為例，人們希望能夠保證推薦是公平的而不依賴于用戶的種族或性別，此外，也希望能夠在不暴露自身屬性的前提下學(xué)習(xí)節(jié)點(diǎn)嵌入表示以保證隱私。本文的工作聚焦于對(duì)社會(huì)圖（Social Graph）加入不變性約束的可行性，即生成對(duì)特定敏感信息 (例如，年齡或性別) 不變的圖嵌入。首先訓(xùn)練得到一組「過(guò)濾器」，以防止對(duì)抗式的甄別者將敏感信息與過(guò)濾后的嵌入信息進(jìn)行分類。然后，將過(guò)濾器以不同的方式組合在一起，靈活生成對(duì)任何敏感屬性子集不變的嵌入。方法的整體結(jié)構(gòu)見圖 2。

　　圖 2. 方法整體結(jié)構(gòu)

　　早期關(guān)于在社會(huì)類應(yīng)用中增加強(qiáng)制不變性約束 (或「公平性」) 的工作通常只涉及一個(gè)敏感屬性的情況，但是實(shí)際應(yīng)用中通常社會(huì)圖嵌入會(huì)涉及到多個(gè)屬性。在極端情況下，可能希望不只是節(jié)點(diǎn)，甚至是圖中的邊（edge）也具備公平性，例如，一個(gè)社交網(wǎng)絡(luò)平臺(tái)上的用戶可能希望該平臺(tái)的推薦系統(tǒng)忽略他們與某個(gè)其他用戶是朋友，或者他們參與了某個(gè)特定內(nèi)容的事實(shí)。本文提出的方法通過(guò)學(xué)習(xí)得到一組對(duì)抗性過(guò)濾器，從而刪除關(guān)于特定敏感屬性的信息。

　　首先，考慮嵌入一個(gè)異質(zhì)或多關(guān)系 (社會(huì)) 圖 G = (V, e)，G 包含有向邊三元組 e= < u,r, v >，其中 u, v∈V 為節(jié)點(diǎn)，r∈R 表示節(jié)點(diǎn)間的關(guān)系。假定每個(gè)節(jié)點(diǎn)都屬于一個(gè)特定的類別，節(jié)點(diǎn)間的關(guān)系受到節(jié)點(diǎn)類型的約束?；趫D的關(guān)系預(yù)測(cè)任務(wù)描述如下：ξ_train 表示訓(xùn)練邊集合，定義負(fù)邊集合如下：

　　負(fù)邊集合表示未在真實(shí)圖 G 中出現(xiàn)的邊的集合。給定ξ_train，目標(biāo)是學(xué)習(xí)得到評(píng)分函數(shù) s 以滿足：

　　換句話說(shuō)，學(xué)習(xí)得到的評(píng)分函數(shù)在理想情況下應(yīng)該對(duì)任何真邊緣評(píng)分高于任何假邊緣。

　　圖嵌入（Graph Embedding）的任務(wù)目標(biāo)是通過(guò)學(xué)習(xí)一個(gè)映射函數(shù) ENC 來(lái)完成關(guān)系預(yù)測(cè)任務(wù)，即將節(jié)點(diǎn) v 映射為節(jié)點(diǎn)嵌入 z_v=ENC(v)。此時(shí)評(píng)分函數(shù)為：

　　評(píng)分函數(shù)的含義為：給定兩個(gè)節(jié)點(diǎn)嵌入 z_u ∈ R.^d 和 z_v∈ R.^d，以及它們之間的關(guān)系 r ∈ R，評(píng)分函數(shù) s 表示邊 e=<u,r,v> 在圖中存在的概率 ( s∈ R)。通常來(lái)講，基于圖嵌入模型的方法主要是認(rèn)為兩個(gè)節(jié)點(diǎn)嵌入間的距離能夠表征兩個(gè)節(jié)點(diǎn)間存在邊的可能性。本文利用噪聲對(duì)比估計(jì)等破壞分布的對(duì)比學(xué)習(xí)方法來(lái)優(yōu)化評(píng)分函數(shù)，目的是最大化真實(shí)邊（正樣本）與虛假邊（負(fù)樣本）對(duì)比的概率。其中，邊（e_batch ? e_train）的損失函數(shù)計(jì)算為：

　　以及

　　表示負(fù)樣本，例如，不存在于圖中的隨機(jī)樣本邊。

　　考慮公平性的處理，對(duì)一個(gè)節(jié)點(diǎn)類型，假設(shè)屬于該類型的全部節(jié)點(diǎn)都包含有 K 組敏感屬性，那么對(duì)圖嵌入模型進(jìn)行公平性處理的任務(wù)就是確保所學(xué)習(xí)的節(jié)點(diǎn)嵌入 (z_u) 在這些敏感屬性方面不存在偏見或不公平。

　　不變的實(shí)用公平性

　　本文給出了一個(gè)簡(jiǎn)單的以用戶為中心的社會(huì)圖嵌入場(chǎng)景。以性別為敏感屬性、電影推薦為關(guān)系預(yù)測(cè)任務(wù)的例子，具體任務(wù)場(chǎng)景如下：如果給用戶一個(gè)按鈕，上面寫著「推薦電影時(shí)請(qǐng)忽略我的性別」，那么按下這個(gè)按鈕后，用戶希望從系統(tǒng)中得到什么？很顯然，用戶 u 的目的是系統(tǒng)能夠不考慮他們的性別公平地向他（她）推薦電影，即如下式：

　　其中 s(e) = s(<z_u, r, z_v>)，a_u 為敏感屬性。如果直接處理上式，我們能夠發(fā)現(xiàn)一個(gè)明顯的問(wèn)題，即對(duì)于每一個(gè)節(jié)點(diǎn)都需要對(duì)它的全部邊（可能是數(shù)以百萬(wàn)計(jì)）進(jìn)行評(píng)分。假設(shè)認(rèn)為 s(e) 僅由 u 決定（忽略掉節(jié)點(diǎn) v 的影響），則可以通過(guò)實(shí)施表征不變性來(lái)保證上式對(duì)于所有邊緣預(yù)測(cè)的獨(dú)立性：

　　此時(shí)滿足互信息（mutual Information）：I(z_u,a_u)=0。推廣到多個(gè)敏感屬性 S? {1,...,K}：

　　上式相當(dāng)于對(duì) S 個(gè)不同敏感屬性的 S 獨(dú)立不變性約束的假設(shè)。針對(duì)本文所討論的應(yīng)用場(chǎng)景，S 不是固定不變的。對(duì)于不同的用戶來(lái)說(shuō)，他們所認(rèn)為的敏感屬性可能不同（年齡，職業(yè)，性別等等）。基于上述分析，本文在上式中引入一種對(duì)抗性損失和一種「過(guò)濾」嵌入，從而對(duì)節(jié)點(diǎn)嵌入施加表征不變性約束。

　　復(fù)合編碼器

　　首先，將 ENC 嵌入函數(shù)泛化，以選擇性地「過(guò)濾」掉有關(guān)某些敏感屬性的信息。對(duì)每一個(gè)敏感屬性 k∈{1,...,K}，定義一個(gè)過(guò)濾函數(shù) f_k，通過(guò)訓(xùn)練 f_k 能夠去除掉與敏感屬性 k 有關(guān)系的信息。為了保證節(jié)點(diǎn)嵌入的不變性，本文使用復(fù)合編碼器組合過(guò)濾后的嵌入：

　　在組合映射函數(shù)（C-ENC）的訓(xùn)練迭代過(guò)程中，每輪迭代都通過(guò)采樣二進(jìn)制掩碼來(lái)確定集合 S。本文將二進(jìn)制掩碼采樣為一個(gè)固定概率 p=0.5 的伯努利序列。在訓(xùn)練過(guò)程中，隨機(jī)采樣得到的二進(jìn)制掩碼能夠使得模型產(chǎn)生不同敏感性屬性組合的不變嵌入，從而實(shí)現(xiàn)在推理過(guò)程中推廣到未知的組合。

　　對(duì)抗損失

　　本文引入對(duì)抗正則項(xiàng)訓(xùn)練復(fù)合編碼器 Dk。為每個(gè)敏感屬性 k 定義一個(gè)分類器 D_k，目的是通過(guò)節(jié)點(diǎn)嵌入預(yù)測(cè)第 k 個(gè)敏感屬性 D_k : R^d × A_k → [0, 1]，其中，D_k 的概率區(qū)間為 [0,1]。給定邊預(yù)測(cè)損失函數(shù) L_edge，對(duì)抗正則化損失函數(shù)為：

　　其中，λ控制對(duì)抗正則項(xiàng)的強(qiáng)度。為了在小批量設(shè)置的情況下優(yōu)化該損失，本文定義兩種交替執(zhí)行的隨機(jī)梯度下降更新方法：（1）T 小批量更新：基于 C-ENC（Dk 恒定不變）優(yōu)化 L(e)；（2）T』小批量更新：基于 Dk（C-ENC 恒定不變）優(yōu)化 L(e)。

　　本文在三個(gè)數(shù)據(jù)庫(kù)中進(jìn)行實(shí)驗(yàn)，F(xiàn)reebase15k-237、MovieLens-1M，以及從 Reddit 中整理得到的邊緣預(yù)測(cè)數(shù)據(jù)庫(kù)。三個(gè)庫(kù)的統(tǒng)計(jì)信息如表 1 所示（具體包括全部節(jié)點(diǎn)數(shù)量（|v|），帶有敏感屬性的節(jié)點(diǎn)數(shù)量（|T*|），敏感屬性的數(shù)目及其類型和圖中邊緣的總數(shù)）：

　　表 1. 數(shù)據(jù)庫(kù)詳細(xì)情況

　?。?）FREEBASE15K-237

　　FREEBASE15K-237 是一個(gè)標(biāo)準(zhǔn)的知識(shí)基準(zhǔn)庫(kù) [9]，本文使用該庫(kù)評(píng)估對(duì)抗正規(guī)化的影響，在完成標(biāo)準(zhǔn)的知識(shí)庫(kù)任務(wù)的同時(shí)，保持實(shí)體嵌入與「敏感」屬性標(biāo)簽的不變性。在本庫(kù)中，確定三個(gè)常見的屬性標(biāo)簽：/award/award_nominee，作為敏感屬性。

　　在實(shí)驗(yàn)過(guò)程中，本文采用聯(lián)合訓(xùn)練主模型和對(duì)抗框架的方式，但在測(cè)試不變性時(shí)，本文訓(xùn)練一個(gè)新分類器 (與鑒別器具有相同的能力) 從所學(xué)習(xí)的嵌入中預(yù)測(cè)敏感屬性。此外，在這些實(shí)驗(yàn)中，本文依賴于兩個(gè)基線：首先，對(duì)比不包含任何不變性約束的基線方法，即λ= 0。其次，與一種非復(fù)合對(duì)抗的基線方法進(jìn)行對(duì)比，即分別訓(xùn)練 K 個(gè)不同的編碼器和 K 個(gè)不同的對(duì)抗框架。使用 Relu 激活函數(shù)的多層感知機(jī)（Multi-layer perceptrons，MLP）作為分類器 Dk 和過(guò)濾器 f_k[7]。使用 TransD 方法計(jì)算編碼器和邊緣預(yù)測(cè)損失函數(shù) [8]。在這個(gè)模型中，一個(gè)節(jié)點(diǎn)/實(shí)體的編碼取決于預(yù)先決定的邊緣關(guān)系，以及該實(shí)體是一個(gè)關(guān)系中的頭還是尾。頭節(jié)點(diǎn)的嵌入 (即邊關(guān)系中的源節(jié)點(diǎn)) 由下式計(jì)算：

　　其中，u、u_p、r_p 為可訓(xùn)練的嵌入?yún)?shù)，I 為 d 維單位矩陣。編碼函數(shù)對(duì)尾部節(jié)點(diǎn)進(jìn)行了類比定義。評(píng)分函數(shù)定義為：

　　其中，r 為另外一個(gè)可訓(xùn)練的嵌入?yún)?shù)（每個(gè)關(guān)系）。最后，使用標(biāo)準(zhǔn)的最大邊際損失函數(shù)如下：

　?。?）MOVIELENS-1M

　　MOVIELENS-1M 是一個(gè)標(biāo)準(zhǔn)的推薦系統(tǒng)數(shù)據(jù)庫(kù)，其目標(biāo)是預(yù)測(cè)用戶對(duì)電影的評(píng)分，將用戶年齡、性別和職業(yè)作為敏感屬性。在本庫(kù)中的任務(wù)可以做如下描述：將電影推薦任務(wù)視為用戶和電影之間的邊緣預(yù)測(cè)問(wèn)題，將不同的可能評(píng)級(jí)視為不同的邊緣關(guān)系。

　　在本庫(kù)中的實(shí)驗(yàn)采用簡(jiǎn)單的「嵌入-查找（Embedding-Lookup）」編碼器，將每個(gè)用戶和電影與一個(gè)唯一的嵌入向量關(guān)聯(lián)起來(lái)。評(píng)分階段，使用對(duì)數(shù)似然法計(jì)算如下：

　　其中，關(guān)系矩陣 Qr 為：

　　其中，a_r,1、P1、P2 均為可訓(xùn)練的參數(shù)。損失函數(shù)使用簡(jiǎn)單的負(fù)對(duì)數(shù)似然法。

　?。?）REDDIT

　　本文最后使用的數(shù)據(jù)庫(kù)是基于 REDDIT 獲取的，REDDIT 是一個(gè)廣受歡迎的、以討論為基礎(chǔ)的網(wǎng)站，用戶可以在這里對(duì)不同話題社區(qū)的內(nèi)容進(jìn)行發(fā)布和評(píng)論。對(duì)于這個(gè)數(shù)據(jù)集，考慮一個(gè)傳統(tǒng)的邊緣預(yù)測(cè)任務(wù)，其目標(biāo)是預(yù)測(cè)用戶和網(wǎng)站社區(qū)之間的交互情況。通過(guò)檢查 2017 年 11 月以來(lái)的所有情況，如果用戶在這段時(shí)間內(nèi)至少在某社區(qū)出現(xiàn)過(guò)一次，就會(huì)在該用戶和該社區(qū)之間設(shè)置一個(gè)邊。然后，將圖中的低分?jǐn)?shù)節(jié)點(diǎn)去掉，最終得到一個(gè)包含 366K 個(gè)用戶、18K 個(gè)社區(qū)、7M 邊緣的圖?；谠搱D，實(shí)驗(yàn)的主要任務(wù)是構(gòu)建邊緣預(yù)測(cè)模型，基于 90% 的用戶-社區(qū)邊緣情況預(yù)測(cè)剩余的缺失邊緣。

　　將某些社區(qū)節(jié)點(diǎn)看作是「敏感」節(jié)點(diǎn)，將是否與這些敏感社區(qū)有邊緣連接看作是用戶的敏感屬性。所謂的公平性目標(biāo)是指模型的預(yù)測(cè)結(jié)果不受用戶是否訪問(wèn)過(guò)某特定社區(qū)的情況影響。

　　在本數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)采用的是簡(jiǎn)單的「嵌入-查找（Embedding-Lookup）」編碼器，使用簡(jiǎn)單點(diǎn)積評(píng)分函數(shù)：

　　以及最大邊際損失函數(shù)：

　　最后，本文給出了三類公平性實(shí)驗(yàn)，

　　Q1：不變性的成本

　　為了量化學(xué)習(xí)到的嵌入對(duì)敏感屬性的不變性程度，凍結(jié)編碼器 C-ENC、訓(xùn)練一個(gè)新的 MLP 分類器預(yù)測(cè)每個(gè)過(guò)濾后嵌入的敏感屬性。此外，評(píng)估使用這些過(guò)濾嵌入對(duì)原始預(yù)測(cè)任務(wù)的性能。理想情況下，訓(xùn)練得到的新 MLP 應(yīng)當(dāng)能夠在預(yù)測(cè)敏感屬性時(shí)具有隨機(jī)準(zhǔn)確性，此外，這些嵌入能夠較好地完成原有的邊緣預(yù)測(cè)任務(wù)。

　　總的來(lái)說(shuō)，本文實(shí)驗(yàn)結(jié)果表明，在社會(huì)推薦數(shù)據(jù)集上，包括 MovieLens-1M 和 REDDIT，本文的方法能夠?qū)崿F(xiàn)一個(gè)合理的折衷，即幾乎完全刪除敏感信息，同時(shí)保證邊緣預(yù)測(cè)任務(wù)的相對(duì)誤差只增加約 10%。表 2 給出在使用各種嵌入方法時(shí)，預(yù)測(cè) MovieLens 數(shù)據(jù)上的敏感屬性的情況。由表 2 結(jié)果可知，敏感屬性的分類準(zhǔn)確度與多數(shù)投票分類器的分類準(zhǔn)確度相當(dāng)，使用組合對(duì)抗框架的 RMSE 從 0.865 下降到 1.01。表 3 給出了使用不同方法完成 Freebase15k-237 庫(kù)中預(yù)測(cè)敏感屬性能力的實(shí)驗(yàn)結(jié)果。所有的敏感屬性都是二進(jìn)制的，表 3 給出了 AUC 分?jǐn)?shù)以及完成主要邊緣預(yù)測(cè)任務(wù)的平均秩。Freebase15k-237 庫(kù)中的實(shí)驗(yàn)結(jié)果顯示，如果想要消除敏感信息，必須以增加原始邊緣預(yù)測(cè)任務(wù)成本為代價(jià)。這個(gè)結(jié)果是可接受的，因?yàn)閷?duì)于這個(gè)數(shù)據(jù)集，「敏感」屬性是由實(shí)體類型注釋合成得到的，這些屬性與邊緣/關(guān)系預(yù)測(cè)主任務(wù)高度相關(guān)。這一實(shí)驗(yàn)結(jié)果也表明，基于圖嵌入的方法進(jìn)行去偏處理是存在潛在局限性的。

　　表 2. 預(yù)測(cè) MovieLens 數(shù)據(jù)上的敏感屬性的情況

　　表 3.Freebase15k-237 庫(kù)中預(yù)測(cè)敏感屬性的能力

　　Q2：復(fù)合框架的影響

　　由表 2 中的實(shí)驗(yàn)結(jié)果可以看出，本文提出的復(fù)合框架效果優(yōu)于單獨(dú)對(duì)每一種屬性進(jìn)行去偏處理的效果。與單獨(dú)基于每種敏感屬性進(jìn)行對(duì)抗正則化嵌入模型訓(xùn)練相比，使用復(fù)合框架能夠去除掉更多的敏感信息，這是由于在數(shù)據(jù)庫(kù)中不同的敏感屬性，例如年齡、性別和職業(yè)，是相互關(guān)聯(lián)的。圖 3 給出預(yù)測(cè) REDDIT 數(shù)據(jù)集中敏感屬性的能力，其中條形圖對(duì)應(yīng)于 10 個(gè)二進(jìn)制敏感屬性的平均 AUC。與表 2 實(shí)驗(yàn)給出的結(jié)論不同，在 REDDIT 庫(kù)中，復(fù)合框架的效果并不如單獨(dú)處理每個(gè)敏感屬性的好。這說(shuō)明，本文提出的復(fù)合對(duì)抗性框架效果受到不同的數(shù)據(jù)庫(kù)特性影響。

　　圖 3. 使用不同嵌入方法時(shí)，預(yù)測(cè) Reddit 數(shù)據(jù)集中敏感屬性的能力

　　Q3：對(duì)未知敏感屬性組合的不變性

　　使用復(fù)合編碼器的一個(gè)優(yōu)勢(shì)在于能夠生成對(duì)不同敏感屬性組合不變的嵌入。對(duì)于一個(gè)單獨(dú)的節(jié)點(diǎn)，能夠生成 2^K 個(gè)獨(dú)立的嵌入。本文在 REDDIT 庫(kù)中進(jìn)行實(shí)驗(yàn)，這是由于與另外兩個(gè)庫(kù)相比 REDDIT 庫(kù)的敏感屬性數(shù)量最多。由圖 3 中的實(shí)驗(yàn)可知，本文提出的方法對(duì)于未知組合的實(shí)驗(yàn)效果下降很?。?.025），表明該方法具有對(duì)未知敏感屬性組合的不變性。

　　小結(jié)

　　基于圖節(jié)點(diǎn)嵌入的圖表示學(xué)習(xí)是大規(guī)模推薦系統(tǒng)中廣泛應(yīng)用的一種重要方法，本文重點(diǎn)討論的是基于圖嵌入算法的去偏處理。該方法目前還存在很多局限性，一是，本文使用的對(duì)抗損失函數(shù)僅停留在理論分析層面，近期的研究中陸續(xù)提出了其他損失函數(shù)，包括非對(duì)抗的損失函數(shù)，這些損失函數(shù)是否更適合于本文所討論的問(wèn)題，還缺少進(jìn)一步的分析；二是，本文討論的是針對(duì)屬性層面集合的公平性問(wèn)題，對(duì)于一些子集合（由多個(gè)屬性組成的集合）層面的公平性問(wèn)題，并未涉及；三是，本文是在理想實(shí)驗(yàn)條件下對(duì)不同屬性進(jìn)行的組合，這種理想條件假定的是不同屬性具有公平的組合機(jī)會(huì)。然而在實(shí)際應(yīng)用場(chǎng)景中，用戶本身就是有偏見的，例如與男性用戶相比，女性用戶搜索時(shí)會(huì)著重考慮搜索結(jié)果是否是性別公平的，這種用戶接口的偏見是否會(huì)對(duì)本文提出的框架有所影響，本文并未做討論。

　　2、Fair Regression: Quantitative Definitions and Reduction-Based Algorithms

　　https://arxiv.org/pdf/1905.12843.pdf

　　隨著機(jī)器學(xué)習(xí)涉及到我們生活中越來(lái)越重要的方面，包括教育、醫(yī)療、刑事司法和貸款等，越來(lái)越多的人開始關(guān)注如何確保算法公平地對(duì)待不同的亞群體用戶。這一問(wèn)題，在「分類」這一機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域中的研究和討論最為廣泛，近年來(lái)已經(jīng)提出了一些衡量公平度的定量指標(biāo)，由此產(chǎn)生了一系列旨在滿足這些要求的算法。然而，這些算法主要適用于離線以及小的決策問(wèn)題，例如招聘、學(xué)校錄取、貸款接收/拒絕決策問(wèn)題。在實(shí)際問(wèn)題中，更多的分類算法是要求評(píng)估一個(gè)連續(xù)的問(wèn)題，比如工作是否成功、大學(xué)一年級(jí)的平均績(jī)點(diǎn)成績(jī)，以及放貸的違約風(fēng)險(xiǎn)。因此，已有的關(guān)于公平分類的算法適用范圍相當(dāng)有限。

　　本文的研究目的是提出一種與原有算法相比適用范圍更廣泛的、回歸任務(wù)和模型類的算法。本文將分類問(wèn)題考慮為一個(gè)實(shí)值目標(biāo)預(yù)測(cè)問(wèn)題（Predicting a Real-Valued Target），同時(shí)使用一個(gè)任意 Lipschitz 連續(xù)損失函數(shù)來(lái)度量預(yù)測(cè)質(zhì)量。每個(gè)樣本中都包含有一個(gè)受保護(hù)的屬性，例如種族、性別，算法的目標(biāo)是保證這些屬性的公平性。本文主要研究?jī)深惞絾?wèn)題：統(tǒng)計(jì)奇偶性 (Statistical Parity，SP)，預(yù)測(cè)結(jié)果在統(tǒng)計(jì)上依賴于受保護(hù)的屬性；有界群體損失 (Bounded Group Loss，BGL)，任何受保護(hù)群體的預(yù)測(cè)誤差都低于某個(gè)預(yù)先指定的水平。本文將公平回歸（Fair Regression）定義為在這些約束條件下最小化實(shí)值預(yù)測(cè)的預(yù)期損失任務(wù)。針對(duì)兩類公平問(wèn)題，本文提出了不同的算法：對(duì)于 BGL，本文提出在每個(gè)子種群中，受損失約束的損失最小化問(wèn)題可以通過(guò)算法簡(jiǎn)化為一個(gè)加權(quán)損失最小化問(wèn)題。對(duì)于 SP，如果我們將實(shí)值預(yù)測(cè)空間離散化，那么在一定的約束條件下，公平回歸的任務(wù)可以簡(jiǎn)化為代價(jià)敏感的分類問(wèn)題。

　　假定我們要解決的是一般的數(shù)據(jù)預(yù)測(cè)問(wèn)題，模型輸出值是實(shí)數(shù)。我們首先定義損失函數(shù)。假定訓(xùn)練樣本為 (X,A,Y)，其中，X 為特征向量，A 為受保護(hù)的屬性（有限值），Y 為標(biāo)記，X 為連續(xù)高維向量。A 可屬于 X 也可不屬于，Y 可為連續(xù)值也可為離散值。給定一個(gè)預(yù)測(cè)函數(shù) f:X→[0,1]，算法目標(biāo)是給定 X，找到滿足公平性原則（SP/BGL）的能夠準(zhǔn)確預(yù)測(cè) Y 的預(yù)測(cè)函數(shù) f。與之前算法討論的問(wèn)題不同，Y 和 f（X）都為實(shí)值函數(shù)。f(X) 預(yù)測(cè) Y 的準(zhǔn)確度由損失函數(shù) l(Y,f(X)) 衡量。一般性地，損失函數(shù)要求滿足 l1 范數(shù)的 1-Lipschitz 約束：

　　公平性定義

　　本文中進(jìn)行公平性分類和回歸過(guò)程，使用了兩個(gè)基本的定量統(tǒng)計(jì)定義：

　　SP (Statistical parity)：預(yù)測(cè)函數(shù) f 如果獨(dú)立于某個(gè)受保護(hù)的屬性 A，即預(yù)測(cè)函數(shù) f 滿足 (X,A,Y) 上分布的統(tǒng)計(jì)奇偶性，與受保護(hù)屬性無(wú)關(guān)，我們就說(shuō)該函數(shù)滿足 SP 要求。當(dāng) f(X)∈[0,1] 時(shí)，我們有：P[f(X)≥z|A=a]=P[f(x)≥z]。

　　BGL(Bounded group lost）：如果對(duì)于每個(gè)受保護(hù)的屬性 A 來(lái)說(shuō)，預(yù)測(cè)損失都低于某一預(yù)先確定的值，這個(gè)函數(shù) f 滿足于 BGL。以語(yǔ)音或人臉識(shí)別任務(wù)為例，這一公平性要求表示所有的組別都能獲得較好的識(shí)別效果。當(dāng) E[l(Y,f(X))|A=a]≤ζ，我們得到預(yù)測(cè)水平為ζ的預(yù)測(cè)函數(shù) f。

　　公平回歸（Fair Regression）

　　公平回歸的過(guò)程就是在滿足 SP 或 BGL 的前提下最小化損失函數(shù) E[l(Y),f(X)]。我們需要在該前提的約束下進(jìn)行優(yōu)化。

　　SP：本文設(shè)置一個(gè)可調(diào)值用于控制公平性的準(zhǔn)確度，例如針對(duì)每個(gè)屬性的松弛參數(shù)ε_(tái)a，此時(shí)公平回歸任務(wù)為：

　　（1）

　　BGL：針對(duì)每個(gè)屬性，設(shè)定一個(gè)約束參數(shù)ζ_a，此時(shí)公平回歸問(wèn)題為：

　?。?）

　　與第一篇論文提到的公平分類相似，為了實(shí)現(xiàn)更好的公平性-準(zhǔn)確性權(quán)衡，這篇論文的作者在公平回歸問(wèn)題中引入一個(gè)隨機(jī)預(yù)測(cè)因子（Randomized predictors）：首先根據(jù)分布 Q 選取 f，然后基于 f 進(jìn)行預(yù)測(cè)。基于公式（1）和（2）給出下述符號(hào)：

　　由此得到 SP 的目標(biāo)函數(shù)：

　?。?）

　　以及 BGL 的目標(biāo)函數(shù)：

　　（4）

　　監(jiān)督學(xué)習(xí)示例

　　本文作者展示了如何將公平回歸問(wèn)題轉(zhuǎn)化為三個(gè)標(biāo)準(zhǔn)的學(xué)習(xí)問(wèn)題：加權(quán)最小二乘回歸、在不公平約束下的加權(quán)風(fēng)險(xiǎn)最小化（無(wú)公平性約束）、成本敏感分類問(wèn)題。加權(quán)最小二乘回歸的風(fēng)險(xiǎn)優(yōu)化問(wèn)題：給定數(shù)據(jù)集 {(Wi,Xi,Yi)}，Wi 為非負(fù)權(quán)重，f 最優(yōu)化權(quán)重經(jīng)驗(yàn)風(fēng)險(xiǎn)：

　　在不公平約束下的加權(quán)風(fēng)險(xiǎn)最小化：使用 l 衡量準(zhǔn)確度，能夠得到針對(duì)相同類別 F 的加權(quán)最小二乘學(xué)習(xí)者。損失函數(shù)為：

　　成本敏感分類：給定數(shù)據(jù)集 {(X^i,,Ci)}，其中 X『i,, 為特征向量，Ci 為表征成本（例如損失函數(shù)）區(qū)別。正值 Ci 表示 0 為最佳，負(fù)值 Ci 則表示 1 為最佳。成本敏感分類的最終目標(biāo)為找到能夠最優(yōu)化經(jīng)驗(yàn)成本的分類器 h。給定數(shù)據(jù)集 {(Wi,X^i,Yi)}，當(dāng) Yi=1{Ci≤0}，以及 Wi=|Ci|，目標(biāo)函數(shù)為：

　　根據(jù)以上，作者就可以做出有 SP 或者 BGL 約束的公平回歸算法。

　　實(shí)驗(yàn)結(jié)果

　　本文使用如下數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)比對(duì)：成人庫(kù)（Adult）、法學(xué)院（Law School）、社區(qū)和犯罪（Communities&Crime）。由于前兩個(gè)庫(kù)較大，本文也在其子庫(kù)上進(jìn)行了實(shí)驗(yàn)。對(duì)比基線算法包括不受任何公平約束的回歸，以及來(lái)自公平分類和公平回歸領(lǐng)域的兩個(gè)基線算法。兩個(gè)基線算法具體為：在任務(wù)為最小二乘回歸的三個(gè)數(shù)據(jù)集上，本文使用完全實(shí)質(zhì)性機(jī)會(huì)均等（full Substantive Equality of Opportunity, SEO）[10] 算法作為基線；在兩個(gè)任務(wù)為 logistic 回歸的數(shù)據(jù)集上，本文運(yùn)行公平分類（Fair Classification，F(xiàn)C）[11] 算法作為基線。

　　圖 4 給出了 SP 約束下的相對(duì)測(cè)試損失與最壞約束沖突對(duì)比實(shí)驗(yàn)結(jié)果，該實(shí)驗(yàn)通過(guò)從實(shí)際損失中減去最小基線損失來(lái)計(jì)算相對(duì)損失。圖 4 給出了 95% 的置信區(qū)間來(lái)表示本文方法和公平分類（FC）的相對(duì)損失，也給出了 95% 的置信區(qū)間來(lái)表示約束違反（對(duì)所有方法都一樣）。除了 Adult 庫(kù)中公平分類（FC）效果更好，在其他數(shù)據(jù)庫(kù)中本文提出的方法效果都為最優(yōu)。此外，本文所提出的方法在減小差距（不公平）的同時(shí)，并不會(huì)對(duì)總體損失造成嚴(yán)重影響。本文所提出的方法在全部最小二乘任務(wù)中效果都為最優(yōu)，但在 logistic 回歸任務(wù)中，效果低于公平分類（FC）。

　　圖 4. SP 約束下的相對(duì)測(cè)試損失與最壞約束沖突對(duì)比

　　小結(jié)

　　本文所提的算法能夠有效處理一系列損失和回歸問(wèn)題，同時(shí)在保持總體準(zhǔn)確度的同時(shí)減小了偏見（差異）。在本文給出的實(shí)驗(yàn)中，公平分類 (FC) 作為 logistic 回歸的一個(gè)強(qiáng)大基線算法展現(xiàn)出了良好的性能，在一些實(shí)驗(yàn)條件下效果甚至優(yōu)于本文提出的算法。這表明本文所提出的基于回歸的歸約啟發(fā)式方法還存在一些缺陷，這也為以后的研究留下了改進(jìn)空間。

　　3、Identifying and Reducing Gender Bias in Word-Level Language Models

　　https://arxiv.org/pdf/1904.03035.pdf

　　語(yǔ)言建模（Language Model）是一項(xiàng)非常容易受到性別偏見（Gender Bias）影響的自然語(yǔ)言處理任務(wù)，同時(shí)也非常具有實(shí)際應(yīng)用價(jià)值，例如屏幕鍵盤中的單詞預(yù)測(cè)。本文的研究目的是識(shí)別用于語(yǔ)言建模的訓(xùn)練數(shù)據(jù)集中的性別偏見，以及減少其對(duì)模型行為的影響。具體來(lái)講，本文的工作是評(píng)估性別偏見對(duì)于在文本語(yǔ)料庫(kù)中訓(xùn)練的單詞級(jí)別的語(yǔ)言模型的性能影響。

　　本文首先通過(guò)對(duì)訓(xùn)練得到的嵌入特征和共現(xiàn)模式進(jìn)行定性和定量分析，從而檢查數(shù)據(jù)集中存在的偏見。然后，在數(shù)據(jù)集上訓(xùn)練 LSTM 單詞級(jí)別的語(yǔ)言模型，并測(cè)量生成輸出的偏見（如圖 5 所示）。第三，應(yīng)用一個(gè)正則化過(guò)程，目的是使得模型學(xué)習(xí)到的嵌入特征最小程度依賴于性別，同時(shí)進(jìn)行獨(dú)立的對(duì)輸入和輸出嵌入特征的去偏處理。

　　圖 5. 三層 LSTM 模型

　　分析用于建立最新語(yǔ)言模型的公開數(shù)據(jù)集所顯示的性別偏見

　　本文選擇了三個(gè)公開數(shù)據(jù)集進(jìn)行驗(yàn)證，包括：Penn Treebank (PTB)、WikiText-2 和 CNN/Daily Mail。PTB 由科學(xué)摘要、計(jì)算機(jī)手冊(cè)、新聞文章等不同類型的文章組成，其中男性單詞的計(jì)數(shù)高于女性單詞。WikiText-2 由維基百科的文章組成，它比 PTB 更加多樣化，因此男女性別詞的比例更加平衡。CNN/Daily Mail 是從體育、健康、商業(yè)、生活方式、旅游等主題的各種新聞文章中整理出來(lái)的。這個(gè)數(shù)據(jù)集的男女性別比例更加平衡，相較于前兩個(gè)數(shù)據(jù)集來(lái)說(shuō)，存在的性別偏見最小。

　　本文使用包含 1150 個(gè)隱藏單元的三層 LSTM 單詞級(jí)語(yǔ)言模型 (AWD-LSTM) 測(cè)量生成輸出的偏見程度[3]，使用復(fù)雜度（Perplexity）作為衡量標(biāo)準(zhǔn)。在對(duì)三個(gè)公開數(shù)據(jù)集的驗(yàn)證過(guò)程中都得到了合理的復(fù)雜度，分別為 PTB 62.56、Wikitext-2 67.67、CNN/Daily Mail 118.01。

　　復(fù)雜度（Perplexity）是一種常用的語(yǔ)言模型評(píng)價(jià)標(biāo)準(zhǔn)，可以理解為，如果每個(gè)時(shí)間步長(zhǎng)內(nèi)都根據(jù)語(yǔ)言模型計(jì)算的概率分布隨機(jī)挑詞，那么平均情況下，挑多少個(gè)詞才能挑到正確的那個(gè)。即復(fù)雜度（Perplexity）刻畫的是語(yǔ)言模型預(yù)測(cè)一個(gè)語(yǔ)言樣本的能力，通過(guò)語(yǔ)言模型得到一條語(yǔ)言樣本的概率越高，語(yǔ)言模型對(duì)數(shù)據(jù)集的擬合程度越好，建模效果越好。

　　分析性別偏見對(duì)基于遞歸神經(jīng)網(wǎng)絡(luò) (RNNs) 的單詞級(jí)語(yǔ)言模型的影響

　　使用能夠表征性別的單詞來(lái)表示一個(gè)單詞在上下文中出現(xiàn)的概率：

　　其中 c(w,g) 是上下文窗口，g 是一組性別詞匯，例如，當(dāng) g=f，這樣的詞包括 he,her,woman 等，w 是語(yǔ)料庫(kù)中的任何單詞，不包括停止詞匯和性別相關(guān)詞匯。關(guān)于 c(w,g) 的選擇，本文采用了固定長(zhǎng)度和權(quán)重以指數(shù)方式遞減（0.95）的有限長(zhǎng)度窗口大小兩種方式進(jìn)行實(shí)驗(yàn)。

　　定義特定詞的偏見分?jǐn)?shù)為：

　　要對(duì)從訓(xùn)練語(yǔ)料庫(kù)和語(yǔ)言模型生成的文本語(yǔ)料庫(kù)中采樣得到的文本中的每個(gè)單詞測(cè)量這個(gè)偏見分?jǐn)?shù)，其中，正偏分?jǐn)?shù)意味著該詞與女性詞匯的搭配頻率高于與男性詞匯的搭配頻率。在假設(shè)無(wú)限的語(yǔ)境中，偏見分?jǐn)?shù)應(yīng)當(dāng)接近于 0，例如，「doctor」和「nurse」在對(duì)話過(guò)程中與男性和女性單詞搭配出現(xiàn)的頻率應(yīng)當(dāng)一樣多。

　　為了評(píng)估每個(gè)模型的去偏性，測(cè)量生成的語(yǔ)料庫(kù)的偏見分?jǐn)?shù)計(jì)算如下：

　　此外，為了估計(jì)偏見放大或縮小的改變程度，本文擬合了一個(gè)單變量線性回歸模型，該模型對(duì)上下文單詞的偏見評(píng)分如下:

　　其中，β為與訓(xùn)練數(shù)據(jù)集相關(guān)的比例放大測(cè)量值，減小β意味著對(duì)模型去偏，c 為上文定義的 context。本文利用評(píng)估語(yǔ)料庫(kù)中每個(gè)上下文單詞的絕對(duì)平均值μ和標(biāo)準(zhǔn)偏差σ來(lái)量化偏見的分布：

　　最終，取絕對(duì)偏見分?jǐn)?shù)的平均值作為評(píng)估依據(jù)。

　　減少在這些模型中獲得的偏見的方法

　　前期的研究表明，機(jī)器學(xué)習(xí)技術(shù)通過(guò)捕捉數(shù)據(jù)模式來(lái)做出連貫的預(yù)測(cè)，可能能夠捕獲甚至放大數(shù)據(jù)中的偏見 [4]。本文分別對(duì)輸入嵌入、輸出嵌入和同時(shí)兩種嵌入這三種情況進(jìn)行了去偏處理。本文使用的方法為：使用 [5] 中的方法從學(xué)習(xí)到的輸出嵌入中提取一個(gè)性別子空間。然后，根據(jù) [6] 中的方法在單詞級(jí)別（word level）的語(yǔ)言模型上訓(xùn)練這些嵌入，而不是使用無(wú)偏預(yù)訓(xùn)練的嵌入 [6]。

　　使用 w∈Sw 表示單詞嵌入，Di,...,Dn?Sw 表示定義集，包括性別詞匯對(duì)，例如男人和女人。定義集是為每個(gè)語(yǔ)料庫(kù)單獨(dú)設(shè)計(jì)的，因?yàn)槟承┰~并不會(huì)出現(xiàn)在所有語(yǔ)料庫(kù)中。對(duì)于一個(gè)訓(xùn)練語(yǔ)料庫(kù)，同時(shí)出現(xiàn)的與性別相關(guān)的相反的詞匯，則將它們認(rèn)定為一個(gè)定義集，{ui,vi}=Di。矩陣 C 是定義集中詞匯對(duì)之間的差異向量的集合，詞匯對(duì)的差異情況表征了性別信息。對(duì) C 進(jìn)行奇異值分解處理：

　　將 V 的前 k 列定義為性別子空間 B=V_1:k。矩陣 N 由無(wú)偏嵌入組成。如果想讓嵌入的偏見最小，那么將其映射到 B 中時(shí)，令其 Frobenius 范數(shù)的平方值也是最小。為了減少模型中嵌入層學(xué)習(xí)到的偏見，在訓(xùn)練損失中加入以下正則化項(xiàng):

　　其中，λ控制最小化嵌入矩陣 W（N 和 B 推導(dǎo)得到的矩陣）的權(quán)重，N 和 C 在模型訓(xùn)練期間迭代更新。

　　在語(yǔ)言模型中隨機(jī)輸入 2000 個(gè)種子作為開始生成單詞的起點(diǎn)。使用前面的單詞作為語(yǔ)言模型的輸入，并執(zhí)行多項(xiàng)選擇以生成下一個(gè)單詞，重復(fù)該步驟 500 次，最終得到三個(gè)數(shù)據(jù)集對(duì)應(yīng)每個(gè)λ的 10^6 個(gè) token。

　　結(jié)果分析

　　本文使用 RNN 進(jìn)行模型訓(xùn)練。結(jié)果見表 4。數(shù)據(jù)集的整體偏見可由μ表征，較大的μ表示語(yǔ)料庫(kù)存在較大的性別偏見。由表 4 中的實(shí)驗(yàn)結(jié)果可知，隨著λ值增大，μ逐漸減小直至穩(wěn)定，因此λ的優(yōu)化存在一個(gè)區(qū)間。本文還對(duì)單個(gè)單詞的偏差分?jǐn)?shù)進(jìn)行了對(duì)比以評(píng)估去偏的效果。β的傾斜程度表示了模型相對(duì)于訓(xùn)練語(yǔ)料庫(kù)的放大或減弱效果，β值的大幅下降表示減弱偏差，反之亦然。β的負(fù)值則假定損失項(xiàng)沒有產(chǎn)生其它影響。本文給出的實(shí)驗(yàn)結(jié)果中，λ較大時(shí)β也會(huì)增大，作者認(rèn)為這可能是因?yàn)槟Ｐ筒环€(wěn)定所造成的。此外，對(duì)于去偏處理參數(shù)μ和σ的影響很小，作者認(rèn)為它們無(wú)法捕獲單次級(jí)別的改進(jìn)?；谏鲜鰧?shí)驗(yàn)結(jié)果，作者推薦使用單詞級(jí)別的評(píng)估項(xiàng)，例如β，來(lái)評(píng)估語(yǔ)料庫(kù)級(jí)別的去偏處理效果的魯棒性。

　　表 4. PTB、WikiText-2、CNN/Daily Mail 中的實(shí)驗(yàn)結(jié)果

　　表 5 為從 CNN/Daily Mail 的生成語(yǔ)料中選擇的目標(biāo)詞匯。特別強(qiáng)調(diào)與女性相關(guān)的詞 crying 和 fragile，而一般認(rèn)為與男性相關(guān)的詞匯 Leadership 和 prisoners。當(dāng)λ=0 時(shí)，這些偏見非常明顯。對(duì)于 fragile，當(dāng)λ=1.0 時(shí)，生成文本中幾乎沒有對(duì)女性的詞匯提及，從而得到大量的中立文本。對(duì)于 prisoners，λ=0.5 時(shí)情況也類似。

　　表 5. 不同λ值時(shí) CNN/Daily Mail 中的生成文本比較

　　小結(jié)

　　本文使用了兩個(gè)不同的指標(biāo)量化語(yǔ)料級(jí)別的性別偏見：絕對(duì)平均值μ和標(biāo)準(zhǔn)偏差σ。此外，提出了一個(gè)用于評(píng)估去偏效果的相關(guān)矩陣β，作者通過(guò)對(duì)訓(xùn)練語(yǔ)料庫(kù)生成的文本語(yǔ)料庫(kù)中的單詞級(jí)別的性別偏見進(jìn)行回歸分析來(lái)計(jì)算β。

　　本文提出的方法可以處理語(yǔ)言模型中單詞級(jí)別的詞分布問(wèn)題。該方法的目標(biāo)是測(cè)量性別偏差，但并不能檢測(cè)在去偏模型和數(shù)據(jù)中仍然存在的顯著的偏見。此外，作者也提出，本文的方法在傳統(tǒng)的語(yǔ)言模型中增加了一個(gè)去偏正則化項(xiàng)，這可能會(huì)帶來(lái)復(fù)雜度與偏見處理權(quán)衡的問(wèn)題，例如，在一個(gè)無(wú)偏的模型中，男性和女性的語(yǔ)言被預(yù)測(cè)的概率幾乎相等，減小性別偏見會(huì)導(dǎo)致語(yǔ)言模型的復(fù)雜度增高。

　　4、本文總結(jié)

　　隨著經(jīng)合組織的《經(jīng)合組織人工智能原則》、歐盟《人工智能倫理指南》和《人工智能政策與投資建議》、20 國(guó)集團(tuán)《人工智能原則》以及《北京人工智能原則》等一系列文件的發(fā)布，人工智能治理成為了 2020 年廣泛關(guān)注的議題，本文所探討的「機(jī)器學(xué)習(xí)中的公平公正」，就是人工智能治理中最關(guān)鍵的問(wèn)題。

　　本文對(duì)機(jī)器學(xué)習(xí)中的公平公正問(wèn)題進(jìn)行了簡(jiǎn)要回顧，包括數(shù)據(jù)偏見和算法偏見兩類。在此基礎(chǔ)上，本文結(jié)合 ICML 2019 中的三篇文章，針對(duì)算法偏見分別對(duì)機(jī)器學(xué)習(xí)領(lǐng)域中的圖嵌入問(wèn)題、回歸問(wèn)題，以及自然語(yǔ)言處理領(lǐng)域中的語(yǔ)言模型問(wèn)題進(jìn)行了詳細(xì)分析。目前，關(guān)于算法去偏的處理還停留在理論分析和實(shí)驗(yàn)的階段，主要通過(guò)引入不同的損失函數(shù)、約束矩陣等約束項(xiàng)弱化模型結(jié)果中的偏見，包括第一篇文章中的對(duì)抗損失函數(shù)、第二篇文章中的統(tǒng)計(jì)奇偶性和有界群體損失函數(shù)，以及第三篇文章中的去偏正則化項(xiàng)等。算法優(yōu)化的最終目的是希望加入這些約束項(xiàng)去除偏見的同時(shí)，不會(huì)嚴(yán)重影響原有機(jī)器學(xué)習(xí)模型的主要任務(wù)性能。

　　由本文的分析可知，通過(guò)使用去偏算法或模型，能夠在一定的實(shí)驗(yàn)環(huán)境下去除偏見，但并不能保證對(duì)所有數(shù)據(jù)有效。此外，本文（包括現(xiàn)在已經(jīng)發(fā)表的其他文獻(xiàn)）探討的去偏主要還是集中于性別偏見、種族偏見這一類常見的、容易區(qū)分的偏見屬性，對(duì)于真實(shí)應(yīng)用場(chǎng)景下的復(fù)雜去偏問(wèn)題，研究之路還很漫長(zhǎng)，需要更多的挖掘與探索。