FAIRWELL: Selbstüberwachtes Multimodales Lernen für faire Wohlbefinden‑Vorhersagen

In einem neuen Beitrag auf arXiv wird das Verfahren FAIRWELL vorgestellt, das selbstüberwachtes Lernen (SSL) nutzt, um die Fairness von Modellen zur Vorhersage des Wohlbefindens zu erhöhen. Während frühere Studien die Vorteile von SSL für die Fairness in ein‑modalen Systemen aufzeigten, gilt FAIRWELL als erste Lösung, die multimodale Daten berücksichtigt.

Das Herzstück des Ansatzes ist ein maßgeschneiderter Verlust, der die drei Kernkomponenten des VICReg‑Regularisierungsmusters – Varianz, Invarianz und Kovarianz – adaptiert. Durch die Varianzkomponente wird verhindert, dass das Modell die geschützte Eigenschaft (z. B. Geschlecht, Alter) als triviale Lösung nutzt. Die Invarianzkomponente sorgt dafür, dass ähnliche Personen konsistente Vorhersagen erhalten, während die Kovarianzkomponente die Korrelation zwischen den Merkmalen und der geschützten Eigenschaft minimiert. Das Ergebnis sind repräsentationsfähige, subjektunabhängige Features, die Fairness in multimodalen Vorhersageaufgaben fördern.

FAIRWELL wurde an drei heterogenen, realen Datensätzen aus dem Bereich der Gesundheitsversorgung getestet: D‑Vlog, MIMIC und MODMA. Diese Datensätze enthalten unterschiedliche Modalitäten unterschiedlicher Länge und adressieren verschiedene Vorhersageaufgaben. Die Experimente zeigen, dass FAIRWELL die Fairnessleistung signifikant verbessert, während die Klassifikationsleistung nur minimal leidet. Darüber hinaus verschiebt das Verfahren die Performance‑Fairness‑Pareto‑Frontier deutlich nach oben, was bedeutet, dass man sowohl höhere Genauigkeit als auch höhere Fairness gleichzeitig erreichen kann.