Améliorer la généralisation de l'équité en apprentissage grâce à l'Optimisation Distributionnellement Robuste

Pour répondre aux enjeux de biais non-désirés en apprentissage machine, de nombreux travaux ont proposé des techniques d'amélioration de l'équité se basant sur des métriques statistiques. Cependant, l'expérience montre que la généralisation sur de nouvelles données n'est pas toujours au rendez-vous. Pour répondre à ce problème, nous proposons une technique d'Optimisation Distributionnellement Robuste permettant de générer des modèles d'apprentissage dont l'équité généralise mieux sur des nouvelles données. L'évaluation expérimentale de cette technique démontre son efficacité.