一、对抗学习
1.1 ADV-标准对抗
- 主要思想：防止鉴别器识别受保护的属性。以对抗性方法训练模型，并明确掩盖受保护信息。
- 损失函数：
1.2 EADV-优化对抗
- ADV存在的问题：在某些情况下，即使对抗性组件似乎做得很完美，仍有相当数量的受保护信息，并且可以从编码的表示中提取。
- EADV主要思想：探索提高对抗性训练的优化方法。
-
优化方法： 1、增加鉴别器的隐藏维数； 2、在训练过程中，为对抗性成分分配不同的权重； 3、使用具有不同初始化的鉴别器集合； 4、每个t个epoch后, 重新初始化鉴别器的权重。
-
集合鉴别器的效果最好，不同的鉴别器可以各自专注于代表的不同方面。
1.3 DADV-正交集成对抗
- EADV存在的问题：它不能确保不同的子鉴别器专注于表示的不同方面。
- DADV主要思想：采用多个具有正交性正则化的鉴别器进行对抗性训练。鼓励鉴别器相互学习正交的隐藏表示。
1.4 A-ADV-考虑目标标签的对抗
- 之前的对抗存在的问题：删除受保护信息时没有考虑目标标签。
- A-ADV主要思想：在m和d之间增加了一个额外的增强层a，其中a考虑了y来创建更丰富的特征。由于a提供了增强的表示，d能够基于ha做出更好的预测g。
二、对比学习
1、主要思想：对比方法学习正样本对的相似表示和负样本对的不同表示。
2、构建正负样本对：
- 传统的InfoNCE方法：从联合分布PXY中采样正样本对（x和y是不同的视图；例如，同一图像的增广变体），从边际分布PXPY采样负样本对（例如，x和y是两个随机图像）。InfoNCE的目标是最大化从联合分布抽样的数据对之间的相似性得分，并最小化从边际分布抽样的数据对之间的相似性得分。
3、条件对比学习：
- Weakly Supervised：将来自数据的辅助信息（如图像的标注属性）作为一个弱监督信号，对具有相同辅助信息的数据学习相似的表示，对具有不同辅助信息的数据学习不同的表示。
- Fair：对包含敏感属性的样本中抽取负样本，来消除表征中不希望的敏感信息（如性别）。可以防止模型使用敏感信息区分正对和负对（因为所有正和负样本具有相同的结果），模型在对比学习过程中忽略敏感属性的影响。
- Hard-negative：对比学习可以从硬负样本（即难以与x区分的样本y）中获益，但不是将两个任意的数据视为负对，而是从两个彼此相距不远的随机数据构建一个负对。
2.1 CCL-K-条件对比
- 主要思想：对比方法学习正样本对的相似表示和负样本对的不同表示。
- 条件对比学习存在的问题：给定一个x及其对应的条件变量结果z，如果z不常见，很难采样与z相关的y。
- CCL-K：提出将这些目标转换为其他形式，以避免对PY |Z的数据进行抽样，并且可以保留与原始形式相同的功能。即不是从PY |Z中采样y，而是从现有的Y数据中采样y，这些数据的相关条件变量的结果接近于z。比如说：抽样年龄为80岁的样本，CCL-K不是直接对80岁的数据进行采样，而是对所有数据点进行采样，且为70-90岁的数据分配最高的权重。即用相似结果的数据来支持条件抽样。
2.2 CON-对比
- 主要思想：对比方法学习正样本对的相似表示和负样本对的不同表示。CON通过结合对比学习来减轻分类器训练中的偏见，其中共享相同类标签的实例被鼓励具有相似的表示，而共享受保护属性的实例被强制进一步分开。
- 目标函数：
Lce：交叉熵损失，主任务的损失，分类更准确；
Lscl: 主任务标签的实例相同的实例为正样本，不同的实例为负样本。拉近主任务标签相同的样本，最大限度地提高共享主任务标签的样本对的相似性；
Lfcl: 受保护属性相同的样本互为正样本，不同的互为负样本。拉远受保护属性相同的样本；
从保护属性的角度最小化这些对的样本对的相似性。即强制将具有不同受保护属性值的样本表示混合在一起，减少主任务和受保护属性之间的相关性。
三、投影
- 主要思想：存在一个（完全）包含性别偏见信息的子空间。从表示中识别并删除一个线性子空间，防止任何线性预测器恢复该概念。
3.1 INLP
- 主要思想：基于线性分类器的重复训练，线性分类器预测要删除的某个属性，然后将表征投影到其零空间上，即投影到不包含性别信息的空间上。
3.2 R-LACE
- 主要思想：利用对抗学习，从表示中识别并删除性别子空间。
标签：采样,训练,模型,样本,鉴别器,学习,特定,对比,属性 From： https://www.cnblogs.com/yqw0710/p/18349056