მოდელის დებაიასინგის მეთოდები (შეთანხმების წინააღმდეგობის დებაიასინგი)?

Адверсარियल дебайесинг — մեքենայական ուսուցման մոդելներում նախապաշարմունքները վերացնելու մեթոդ է մրցակցային ուսուցման միջոցով: Հիմնական գաղափարը՝ հիմնական մոդելը սովորեցնել կանխատեսել նպատակային փոփոխականը, միաժամանակ սովորեցնելով հակառակ մոդել, որը փորձում է կանխատեսել պաշտպանված հատկանիշը (օրինակ՝ սեռը կամ ռասան) հիմնական մոդելի ելքերից: Հիմնական մոդելը օպտիմալացվում է այնպես, որ նվազեցնի կանխատեսման սխալը և միաժամանակ դժվարացնի հակառակ մոդելին կանխատեսել պաշտպանված հատկանիշը:

Ադվերսարիալ մոտեցմամբ դեբայասինգի մեթոդներ՝

• Մրցակցային ուսուցում: հիմնական մոդելն ու հակառակ մոդելը ուսուցանվում են միասին, որտեղ հիմնական մոդելը փորձում է «մեղադրել» հակառակ մոդելին:
• Հակառակ կորուստով ռեգուլյարիզացիա: կորուստային ֆունկցիային ավելացնել բաղադրիչ, որը պատժում է մոդելին՝ ունենալու մասին տեղեկատվություն պաշտպանված հատկանիշի մասին:
• Վերադարձային գրաֆիկային նվազեցում: հակառակ մոդելից գրաֆիկները հակադարձվում են հիմնական մոդելի թարմացման ժամանակ՝ նվազեցնելու համար կախվածությունը պաշտպանված հատկանիշից:

Օրինակ՝ псևդոկոդ:

# Հիմնական մոդել f, հակառակ մոդել 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()

որտեղ lambda-ն կարգավորում է ճշգրտության և արդարության միջև հավասարակշռությունը։