リンク一覧 概要と序論 関連研究 方法 3.1 正和公平性 3.2 アプリケーション 実験 4.1 初期結果 4.2 正和公平性 結論と参考文献 3.2 アプリケーション この公平性の概念を実践し、従来のグループ公平性との違いを示すために、センシティブ属性を使用する 3 つのモデルをベースライン モデルと比較します。センシティブ属性がモデルで使用される方法は、モデルの公平性とパフォーマンスに影響を与えることが知られています [3,39,41,11]。したがって、センシティブ属性を明示的に含むモデル、または逆に入力データから人口統計エンコーディングを削除するモデルを使用します。  4つのモデルは、胸部X線写真（CXR）の所見のマルチラベル分類問題でトレーニングされています。すべての設定で、この問題に対して最高のパフォーマンスを発揮することが経験的に決定されたDensenet-121 [13]バックボーンが使用されています。正確なモデルアーキテクチャは図2に示されており、以下に説明します。  –   : 画像を入力として使用し、データセットに関連付けられた対象となる CXR 所見を予測するようにトレーニングされたベースライン分類器。このモデルは、画像の特徴を抽出するバックボーンと、各所見の完全接続層とバイナリクロスエントロピー損失で構成される所見ブランチで構成されます。 M1  –   : 画像と人種の特徴の両方を入力として使用する分類器。人種情報はカテゴリ変数の形式で提供され、これをワンホットベクトルに変換して完全接続層に送ります。完全接続層からの特徴と画像の特徴を連結してから、分岐の検索に転送します。モデルはエンドツーエンドでトレーニングされます。 M2  –   : 画像を入力としてのみ使用する分類器ですが、画像所見と人種グループを予測するようにトレーニングされています (つまり、このモデルは画像に存在する人種エンコーディングを活用することを目的としています)。このモデルでは、損失関数を適応させてベースライン分類器の最終層を変更し、CXR 所見と人種グループの 2 つのタスクを最適化します。また、人種情報をワンホットエンコードされたベクトルに変換して、マルチクラス損失を適用します。人種分類ブランチは、完全接続層とクロスエントロピー損失関数で構成されています。最終的な損失は、損失重み λ を使用して、所見損失と人種損失を加算して計算されます。 M3  –   : 画像を入力として用いて、画像にエンコードされた人種情報の使用を最小限に抑えながら、画像の所見を予測するようにトレーニングされた分類器。このモデルでは、[28]で説明されている勾配反転技術を実装しています。勾配反転層を人種分岐の前に適用します。  M4 著者:  （1）Samia Belhadj∗、Lunit Inc.、ソウル、大韓民国（samia.belhadj@lunit.io）  (2) Sanguk Park [0009 -0005 -0538 -5522]*、Lunit Inc.、ソウル、韓国 (tony.superb@lunit.io)。  （３）アンビカ・セス、Lunit Inc.、ソウル、大韓民国（ambika.seth@lunit.io）  （４）ヘシャム・ダール（0009 −0003 −6458 −2097）、ルニット社、ソウル、大韓民国（heshamdar@lunit.io）  (5) Thijs Kooi [0009 -0003 -6458 -2097]、Kooi、Lunit Inc.、ソウル、韓国 (tkooi@lunit.io)。 この論文は、CC BY-NC-SA 4.0 ライセンスの下で 。 arxiv で公開されています

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

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Get Free Unlimited IP Geo Data With IPinfo Lite

機密データが医療 AI モデルの公平性と精度に与える影響

About Author

コメント

ラベル

この記事は

Related Stories

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps