Bias‑Invariant Subnetworks: Fairness aus Standard‑Modellen extrahieren

Die zunehmende Besorgnis über algorithmische Vorurteile hat die Forschung zu einer Vielzahl von Debiasing‑Techniken geführt, die oft auf aufwändige Trainingsschritte oder Datenmanipulationen angewiesen sind. Ein bislang unbeantwortetes Problem stellt sich: Können wir faire, bias‑freie Teilnetzwerke aus gewöhnlich trainierten Modellen herausziehen, ohne zusätzliche Daten oder ein erneutes Training?

In der vorliegenden Arbeit wird die Bias‑Invariant Subnetwork Extraction (BISE) vorgestellt – eine Lernstrategie, die bias‑freie Subnetzwerke identifiziert und isoliert, die bereits in konventionell trainierten Modellen vorhanden sind. Dabei wird keine erneute Anpassung der ursprünglichen Parameter vorgenommen; stattdessen werden gezielte Prunings eingesetzt, um die gewünschten Strukturen zu extrahieren.

BISE nutzt die strukturelle Anpassung von vortrainierten neuronalen Netzwerken durch das Entfernen von Parametern, um die Abhängigkeit von voreingenommenen Merkmalen zu reduzieren. Dieser Ansatz vermeidet die Kosten und Komplexität datenzentrierter oder vollständiger Retraining‑Methoden und bietet gleichzeitig eine robuste Leistung.

Umfangreiche Experimente an gängigen Benchmarks zeigen, dass die extrahierten Subnetzwerke nicht nur die Fairness verbessern, sondern auch die Recheneffizienz steigern. Die Ergebnisse unterstreichen das Potenzial von BISE als effiziente Alternative zur Bias‑Minderung in Deep‑Learning‑Modellen.