Apprentissage robuste conscient de l'équité sous biais de sélection d'échantillons

L'hypothèse sous-jacente de nombreux algorithmes d'apprentissage automatique est que les données d'entraînement et les données de test proviennent des mêmes distributions. Cependant, cette hypothèse est souvent violée dans le monde réel en raison du biais de sélection d'échantillons entre les données d'entraînement et les données de test. Les travaux de recherche précédents se concentrent sur le réajustement des données d'entraînement biaisées pour correspondre aux données de test, puis sur la construction de modèles de classification sur les données d'entraînement réajustées. Cependant, la manière d'atteindre l'équité dans les modèles de classification construits est peu explorée. Dans cet article, nous proposons un cadre pour un apprentissage robuste et équitable sous biais de sélection d'échantillons. Notre cadre adopte l'approche d'estimation par réajustement pour la correction des biais et l'approche d'estimation robuste minimax pour atteindre la robustesse en termes de précision des prédictions. De plus, lors de l'optimisation minimax, l'équité est atteinte dans le pire des cas, ce qui garantit l'équité du modèle sur les données de test. Nous développons également deux algorithmes pour gérer le biais de sélection d'échantillons lorsque les données de test sont disponibles et indisponibles. Nous réalisons des expériences sur deux ensembles de données réelles et les résultats expérimentaux démontrent son efficacité en termes d'utilité et de métriques d'équité.