Tabla de enlaces   Resumen e introducción   Trabajo relacionado  Métodos   3.1 Equidad de suma positiva   3.2 Aplicación   Experimentos   4.1 Resultados iniciales   4.2 Equidad de suma positiva   Conclusión y referencias  3.2 Aplicación  Para poner en práctica esta noción de equidad y mostrar la diferencia con la equidad de grupo tradicional, comparamos tres modelos que utilizan atributos sensibles con un modelo de referencia. Se sabe que la forma en que el modelo utiliza los atributos sensibles tiene un impacto en la equidad y el rendimiento del modelo [3,39,41,11]. Por lo tanto, utilizamos modelos que incluyen explícitamente atributos sensibles o, por el contrario, eliminamos cualquier codificación demográfica de los datos de entrada.  Los cuatro modelos se entrenan en un problema de clasificación de múltiples etiquetas de hallazgos en radiografías de tórax (CXR). En todos los entornos, se utiliza una estructura principal Densenet-121 [13], que se determinó empíricamente que ofrece el mejor rendimiento para este problema. Las arquitecturas exactas del modelo se muestran en la figura 2 y se describen a continuación:  –   : un clasificador de referencia que utiliza las imágenes como entrada y está entrenado para predecir los hallazgos de radiografía de tórax asociados a nuestro conjunto de datos. El modelo consta de una estructura principal para extraer las características de la imagen y una rama de hallazgos que consta de una capa completamente conectada y una pérdida de entropía cruzada binaria para cada hallazgo. M1  –   : un clasificador que utiliza las imágenes y las características de la raza como entrada. La información de la raza viene en forma de una variable categórica, que convertimos en un vector one-hot y enviamos a una capa completamente conectada. Concatenamos las características de la capa completamente conectada y las características de la imagen antes de enviarlas a la rama de búsqueda. El modelo se entrena de principio a fin. M2  –   : un clasificador que utiliza las imágenes como entrada únicamente, pero entrenado para predecir los hallazgos de las imágenes, así como el grupo racial (es decir, este modelo tiene como objetivo explotar las codificaciones raciales presentes en las imágenes). Para este modelo, modificamos la capa final del clasificador de referencia adaptando la función de pérdida para optimizar las dos tareas: hallazgos de CXR y grupo racial. También transformamos la información racial en un vector codificado one-hot para aplicar la pérdida de múltiples clases. La rama de clasificación racial está formada por una capa completamente conectada y una función de pérdida de entropía cruzada. La pérdida final se calcula sumando la pérdida de hallazgos y la pérdida racial con un peso de pérdida λ. M3  –   : un clasificador que utiliza las imágenes como entrada, entrenado para predecir los hallazgos de las imágenes, mientras minimiza el uso de la información de la raza codificada en la imagen. Para este modelo, implementamos la técnica de inversión de gradiente descrita en [28]. Aplicamos la capa de inversión de gradiente antes de la rama de raza.  M4   Autores:  (1) Samia Belhadj∗, Lunit Inc., Seúl, República de Corea (samia.belhadj@lunit.io);  (2) Sanguk Park [0009 −0005 −0538 −5522]*, Lunit Inc., Seúl, República de Corea (tony.superb@lunit.io);  (3) Ambika Seth, Lunit Inc., Seúl, República de Corea (ambika.seth@lunit.io);  (4) Hesham Dar [0009 −0003 −6458 −2097], Lunit Inc., Seúl, República de Corea (heshamdar@lunit.io);  (5) Thijs Kooi [0009 −0003 −6458 −2097], Kooi, Lunit Inc., Seúl, República de Corea (tkooi@lunit.io).  Este artículo está   bajo la licencia CC BY-NC-SA 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Snapshot of society, a statistical portrait of people, age, gender, understanding populations, and their diverse stories

demographic's blog

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Make resilience your competitive advantage

Cómo los datos confidenciales afectan la imparcialidad y la precisión en los modelos de IA médica

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Telegram: el puente de Crypto Island hacia el continente

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Telegram: el puente de Crypto Island hacia el continente

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps