집단 공정성을 고려하는 자기 지도 대조 학습

Cited 0 time in webofscience Cited 0 time in scopus
  • Hit : 63
  • Download : 0
DC FieldValueLanguage
dc.contributor.author정채윤ko
dc.contributor.author한성원ko
dc.contributor.author김선동ko
dc.contributor.author차미영ko
dc.date.accessioned2022-11-14T02:01:38Z-
dc.date.available2022-11-14T02:01:38Z-
dc.date.created2022-11-12-
dc.date.issued2021-12-20-
dc.identifier.citation2021 한국소프트웨어종합학술대회-
dc.identifier.urihttp://hdl.handle.net/10203/299551-
dc.description.abstract이 연구에서는 자기 지도 대조 학습을 기반으로 편향을 해소하고 집단 공정성을 만족하는 데이터 표현을 생성하는 방법을 제시한다. 모델은 공정하게 데이터를 표현하기 위해 임베딩 공간상에서 보호 집단을 구분 불가능하도록 임베딩을 생성하여 이후 본 학습에서 보호 변수를 학습하지 못하도록 한다. 성별, 인종 등의 대표적인 보호 변수에 대해 실험을 진행한 결과, 우리의 모델은 4개의 데이터에서 큰 성능의 손실 없이 공정한 임베딩을 생성하는 결과를 보였다.-
dc.languageKorean-
dc.publisher한국정보과학회, 한국정보처리학회-
dc.title집단 공정성을 고려하는 자기 지도 대조 학습-
dc.typeConference-
dc.type.rimsCONF-
dc.citation.publicationname2021 한국소프트웨어종합학술대회-
dc.identifier.conferencecountryKO-
dc.identifier.conferencelocation휘닉스 평창 호텔 & 온라인-
dc.contributor.localauthor차미영-
dc.contributor.nonIdAuthor정채윤-
dc.contributor.nonIdAuthor한성원-
dc.contributor.nonIdAuthor김선동-
Appears in Collection
CS-Conference Papers(학술회의논문)
Files in This Item
There are no files associated with this item.

qr_code

  • mendeley

    citeulike


rss_1.0 rss_2.0 atom_1.0