FairMT: Gleichberechtigte Multi-Task-Lernmodelle für heterogene Aufgaben

In der Welt des maschinellen Lernens wurde Fairness bislang vorwiegend in Einzeltask-Umgebungen untersucht. Das Feld des fairen Multi-Task-Learnings (MTL), insbesondere bei heterogenen Aufgaben wie Klassifikation, Objekterkennung und Regression sowie bei teilweise fehlenden Labels, blieb lange Zeit weitgehend unerforscht.

Der Grund liegt darin, dass die meisten bestehenden Fairness-Methoden ausschließlich für Klassifikationsaufgaben entwickelt wurden und sich daher nicht auf kontinuierliche Ausgaben übertragen lassen. Dadurch wird die Formulierung einer einheitlichen Fairness-Beschränkung erschwert. Zudem ist die herkömmliche MTL-Optimierung strukturell nicht auf Fairness ausgerichtet: Sie beschränkt sich lediglich auf die gemeinsame Repräsentation, während die Aufgabenköpfe die Möglichkeit haben, Bias zu absorbieren und damit unkontrollierte, aufgabenbezogene Ungleichheiten entstehen.

Ein weiteres Problem besteht darin, dass Fairness häufig als Nullsummenspiel mit der Nutzenoptimierung betrachtet wird. Symmetrische Einschränkungen führen dabei dazu, dass bereits gut bediente Gruppen benachteiligt werden, um Parität zu erreichen.

Mit FairMT wird dieses Paradigma grundlegend verändert. Das neue Framework bietet eine einheitliche, fairnessbewusste MTL-Architektur, die alle drei Aufgabenarten – Klassifikation, Erkennung und Regression – unter unvollständiger Supervision unterstützt. Im Kern steht ein Asymmetric Heterogeneous Fairness Constraint Aggregation-Mechanismus, der aufgabenabhängige asymmetrische Verstöße zu einer einzigen Fairness-Beschränkung zusammenführt.

Utility und Fairness werden gleichzeitig über eine primal-duale Formulierung optimiert. Ein head‑aware Multi‑Objective‑Optimization‑Proxy sorgt für eine handhabbare Abstiegsgeometrie, die die durch die Köpfe verursachte Anisotropie explizit berücksichtigt.

In umfangreichen Experimenten auf drei homogenen und heterogenen MTL-Benchmarks, die verschiedene Modalitäten und Supervisionsregime abdecken, erzielt FairMT konsequent signifikante Fairness-Verbesserungen, ohne dabei die Aufgabenleistung zu beeinträchtigen. Der zugehörige Code wird in Kürze veröffentlicht.