TY -非盟的梁,乐清市盟——陈Canyu盟——田,田AU -蜀,Kai PY - 2023 M3 -原始研究TI -公平分类通过域适应:双乔敌对的学习方法——在大数据领域你的//www.thespel.com/articles/10.3389/fdata.2022.1049565六世- 5 SN - 2624 - 909 - x N2 -现代机器学习(ML)模型正变得越来越受雷竞技rebat欢迎,广泛应用于决策系统。然而,研究表明毫升歧视和不公平的关键问题,这阻碍了他们采用高风险的应用程序。在公平的分类器的最近的研究已经引起重大关注发展中有效的算法来实现公平和良好的分类性能。尽管这些fairness-aware机器学习模型的巨大成功,大多数现有的模型需要敏感属性预处理数据,调整模型学习或后处理预测合理预测。然而,敏感属性往往是不完整的,甚至不可用由于隐私、法律或法规限制。虽然我们缺乏训练的敏感属性模型在目标域,可能存在类似的敏感属性的域。因此,重要的是要利用辅助信息从一个类似的域,以帮助改善公平分类在目标域。因此,在本文中,我们研究小说的探索领域适应问题分类。我们提出一个新的框架,可以学会适应敏感属性从源域公平分类在目标域。大量真实数据集的实验说明了该模型的有效性分类,即使没有敏感属性在目标域。 ER -