कोवारिएट और निर्भरता परिवर्तन के तहत एल्गोरिदमिक निष्पक्षता सामान्यीकरण एकसाथ

एक निष्पक्ष और अपरिवर्तनीय वर्गीकरणकर्ता की सामान्यीकरण को बनाए रखने का प्रयास, विशेष रूप से वितरण परिवर्तनों की उपस्थिति में, मशीन लर्निंग में एक महत्वपूर्ण और जटिल चुनौती बन जाता है। इस चुनौती का समाधान करते हुए, निष्पक्षता-सचेत डोमेन सामान्यीकरण की समस्या का समाधान करने पर ध्यान केंद्रित करते हुए कई प्रभावी एल्गोरिदम विकसित किए गए हैं। ये एल्गोरिदम विभिन्न प्रकार के वितरण परिवर्तनों को नेविगेट करने के लिए डिज़ाइन किए गए हैं, विशेष रूप से कोवारिएट और निर्भरता परिवर्तनों पर ध्यान केंद्रित करते हुए। इस संदर्भ में, कोवारिएट परिवर्तन इनपुट विशेषताओं के सामान्य वितरण में बदलाव से संबंधित है, जबकि निर्भरता परिवर्तन लेबल वेरिएबल और संवेदनशील विशेषताओं के संयुक्त वितरण में परिवर्तन शामिल करता है। इस पत्र में, हम एक सरल लेकिन प्रभावी दृष्टिकोण प्रस्तुत करते हैं जो डोमेन के बीच कोवारिएट और निर्भरता परिवर्तनों को एक साथ संबोधित करके एक निष्पक्ष और अपरिवर्तनीय वर्गीकरणकर्ता सीखने का लक्ष्य रखता है। हम यह निष्कर्ष देते हैं कि एक अंतर्निहित रूपांतरण मॉडल मौजूद है जो डेटा को एक डोमेन से दूसरे में परिवर्तित कर सकता है, जबकि गैर-संवेदनशील विशेषताओं और वर्गों से संबंधित अर्थ को बनाए रखते हुए। मॉडल के माध्यम से विभिन्न सिंथेटिक डेटा डोमेन को बढ़ाकर, हम स्रोत डोमेन में एक निष्पक्ष और अपरिवर्तनीय वर्गीकरणकर्ता सीखते हैं। इसे अज्ञात लक्षित डोमेनों में सामान्यीकृत किया जा सकता है, जिसमें मॉडल की भविष्यवाणी और निष्पक्षता की चिंताओं को बनाए रखा जा सकता है। चार बेंचमार्क डेटासेट पर व्यापक अनुभवजन्य अध्ययनों से यह प्रतीत होता है कि हमारा दृष्टिकोण अत्याधुनिक विधियों को पार करता है।