Групповая справедливость относительно нескольких групп в задаче текстовой классификации

Эта ВКР исследует проблему перекрестного удаления предвзятостей в моделях классификации текста, направленной на смягчение предвзятостей, возникающих в результате пересечения множества демографических атрибутов, таких как пол, раса, возраст и страна. Существующие методы удаления предвзятости часто сосредоточены на отдельных атрибутах в изоляции, игнорируя важные источники несправедливости, которые проявляются на пересечении этих атрибутов. Для устранения этого пробела в ВКР предлагается использовать общий атрибут, который кодирует комбинации защищенных атрибутов в единую переменную. Это позволяет напрямую оптимизировать справедливость по пересекающимся подгруппам, а не просто для индивидуальных атрибуты. Оцениваются три метода удаления предвзятостей: Least-squares Concept Erasure (LEACE), Adversarial Training (Adv), and Balanced Training with Equal Opportunity (BTEO). Эти методы применяются к набору данных Multilingual Twitter Corpus (MTC), который содержит аннотации ненавистнической речи вместе с выводимой автором демографией. Диссертация проверяет три ключевые гипотезы: 1) удаления предвзятостей на отдельных атрибутах недостаточно для существенного улучшения справедливости на совместном атрибуте, 2) удаление предвзятостей на одном атрибуте может улучшить справедливость на общем атрибуте, и 3) Существуют корреляции между предвзятостями в различных атрибутах, которые могут быть использованы для кросс-атрибутного удаления предвзятостей. Эксперименты проводятся с использованием библиотеки FairLib, с использованием accuracy и fairness показателями, такими как TPR-GAP и Distance to Optimum (DTO), оцениваемыми по различным методам и атрибутам удаления предвзятостей. Результаты дают представление об эффективности перекрестного удаления предвзятостей и компромисса между справедливостью и результативностью. Диссертация завершается обсуждением будущих направлений исследований, направленных на дальнейшее продвижение передового опыта в области справедливой и всеобъемлющей классификации текстов.