Aprendizaje de Representaciones Justas y Flexibles mediante Desenredamiento

Consideramos el problema de aprender representaciones que logren equidad grupal y subgrupal con respecto a múltiples atributos sensibles. Tomando inspiración de la literatura sobre aprendizaje de representaciones desenredadas, proponemos un algoritmo para aprender representaciones compactas de conjuntos de datos que son útiles para la reconstrucción y la predicción, pero que también son flexible y justas, lo que significa que se pueden modificar fácilmente en el momento de la prueba para lograr la paridad demográfica de subgrupos con respecto a múltiples atributos sensibles y sus conjunciones. Mostramos empíricamente que el codificador resultante—que no requiere los atributos sensibles para la inferencia—permite la adaptación de una sola representación a una variedad de tareas de clasificación justa con nuevas etiquetas objetivo y definiciones de subgrupos.