नमूना चयन पूर्वाग्रह के अधीन मजबूत निष्पक्षता-सचेत सीखना

कई मशीन लर्निंग एल्गोरिदम का अंतर्निहित अनुमान है कि प्रशिक्षण डेटा और परीक्षण डेटा समान वितरण से लिए गए हैं। हालाँकि, वास्तविक दुनिया में प्रशिक्षण और परीक्षण डेटा के बीच के नमूना चयन पूर्वाग्रह के कारण यह अनुमान अक्सर बाधित होता है। पहले के शोध कार्यों ने पूर्वाग्रहित प्रशिक्षण डेटा को पुनः भारित करके परीक्षण डेटा से मेल खाने पर ध्यान केंद्रित किया और फिर पुनः भारित प्रशिक्षण डेटा पर वर्गीकरण मॉडल बनाए। हालाँकि, निर्मित वर्गीकरण मॉडलों में निष्पक्षता कैसे प्राप्त की जाए, इस पर कम जांच की गई है। इस पेपर में, हम नमूना चयन पूर्वाग्रह के तहत मजबूत और निष्पक्ष सीखने के लिए एक ढांचा प्रस्तावित करते हैं। हमारा ढांचा पूर्वाग्रह सुधार के लिए पुनः भारित अनुमान विधि को अपनाता है और भविष्यवाणी सटीकता पर मजबूती प्राप्त करने के लिए मिनिमैक्स मजबूत अनुमान विधि का उपयोग करता है। इसके अलावा, मिनिमैक्स ऑप्टिमाइजेशन के दौरान, खराबतम स्थिति में निष्पक्षता प्राप्त की जाती है, जो परीक्षण डेटा पर मॉडल की निष्पक्षता की गारंटी देती है। हम परीक्षण डेटा के उपलब्ध होने और न होने पर नमूना चयन पूर्वाग्रह को संभालने के लिए दो एल्गोरिदम भी विकसित करते हैं। हम दो वास्तविक दुनिया के डेटा सेट पर प्रयोग करते हैं और प्रयोगात्मक परिणाम इसके उपयोगिता और निष्पक्षता मीट्रिक के मामले में प्रभावशीलता को प्रदर्शित करते हैं।