כתבה
arXiv cs.AI ·
FairSSL: למידה עצמאית רב-מודאלית הוגנת
FairSSL: Fair Multimodal Self-Supervised Learning
FairSSL היא שיטה חדשה ללמידה עצמאית רב-מודאלית. היא מתמודדת עם הגיוון בנתונים ומשפרת הוגנות. FairSSL משתמשת באובייקטיב של Variance-Invariance-Covariance Regularization ובאסטרטגיית ריכוז סגמנטים. היא מרגיעה את הייצוגים כדי לעודד משתנות פנימית, אי-תלות בין-מודאלית ובין-נושאית, ודקורלציה של ייצוגים.
תקציר מקורי באנגליתarXiv:2508.16748v2 Announce Type: replace-cross Abstract: Prevalent multimodal self-supervised learning (SSL) methods rely on the redundancy assumption: that different views share substantial task-relevant information. We argue that this assumption fails in complex, real-world settings characterized by heterogeneity (e.g., variable-length healthcare or behavioral data), where enforcing strict alignment can discard unique, modality-specific signals and inadvertently amplify bias. In this work, we propose FairSSL, a framework that leverages data heterogeneity as a resource for fairness rather than a hindrance. Unlike standard contrastive approaches, FairSSL uses a subject-aware Variance-Invariance-Covariance Regularization objective, where alignment is enforced across segments drawn from the
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית