FairMT: Fairness for Heterogeneous Multi-Task Learning
Created by
Haebom
Category
Empty
저자
Guanyu Hu, Tangzheng Lian, Na Yan, Dimitrios Kollias, Xinyu Yang, Oya Celiktutan, Siyang Song, Zeyu Fu
개요
본 논문은 다양한 종류의 (분류, 감지, 회귀)의 이질적인 태스크와 부분적으로 누락된 레이블을 가진 공정한 다중 태스크 학습(MTL) 문제를 다룹니다. FairMT라는 통합된 공정성 인식 MTL 프레임워크를 제안하며, 이는 비대칭 이질적 공정성 제약 집계 메커니즘을 핵심으로 하여 task-dependent한 비대칭 위반을 통합합니다. 또한, primal-dual 공식을 통해 유틸리티와 공정성을 공동으로 최적화하고, head-aware 다중 목표 최적화 프록시를 통해 task head가 유발하는 비등방성을 명시적으로 고려한 실행 가능한 descent geometry를 제공합니다. 다양한 MTL 벤치마크에서 우수한 task utility를 유지하면서 상당한 공정성 향상을 달성했습니다.
시사점, 한계점
•
시사점:
◦
이질적인 태스크와 불완전한 감독 환경에서의 공정한 MTL 문제를 해결하는 통합 프레임워크 제시.
◦
비대칭 공정성 제약 집계 메커니즘을 통해 task-dependent한 비대칭성을 통합.
◦
primal-dual 공식을 활용하여 유틸리티와 공정성의 균형을 유지.
◦
head-aware multi-objective optimization 프록시를 통해 task head의 영향을 고려.
