Millised on mudeli debaisingu meetodid (vastasmõju debaising)?

Adversaarne eelarvamuste eemaldamine on meetod masinõppe mudelite eelarvamuste kõrvaldamiseks konkurentsivõimelise koolituse kaudu. Põhitees on koolitada peamist mudelit sihtmuutuja ennustamiseks, samal ajal koolitades adversaarset mudelit, mis püüab ennustada kaitstud omadust (näiteks sugu või rassi) peamise mudeli väljunditest. Peamine mudel optimeeritakse nii, et minimeerida ennustamisviga ja samal ajal raskendada adversaarset mudelit kaitstud omaduse äraarvamist.

Adversaarse lähenemisega eelarvamuste kõrvaldamise meetodid:

• Võistlev koolitus: peamine ja adversaarne mudel treenitakse koos, kus peamine mudel püüab 'pettustada' adversaarset.
• Regulatsioon adversaarse kaotusega: kaotuse funktsiooni lisatakse komponent, mis karistab mudelit kaitstud omaduse kohta teabe olemasolu eest.
• Kasutades gradientide langetamist tagasisidega: adversaarse mudeli gradientide inverteerimine peamise mudeli uuendamisel, et vähendada sõltuvust kaitstud omadusest.

Näide pseudokoodist:

# Peamine mudel f, adversaarne mudel g
for batch in data:
    y_pred = f(x)
    s_pred = g(y_pred)
    loss_main = loss_fn(y_pred, y_true)
    loss_adv = loss_fn(s_pred, s_true)
    total_loss = loss_main - lambda * loss_adv
    total_loss.backward()
    optimizer.step()

Kus lambda reguleerib täpsuse ja õigluse vahelise tasakaalu.