論文の概要: Achieving Fairness Through Channel Pruning for Dermatological Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2405.08681v1
• Date: Tue, 14 May 2024 15:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 13:39:33.670423
• Title: Achieving Fairness Through Channel Pruning for Dermatological Disease Diagnosis
• Title（参考訳）: 皮膚疾患診断におけるチャンネルプルーニングによるフェアネスの獲得
• Authors: Qingpeng Kong, Ching-Hao Chiu, Dewen Zeng, Yu-Jen Chen, Tsung-Yi Ho, Jingtong hu, Yiyu Shi,
• Abstract要約: 我々は,革新的で適応可能なソフトニアネバーロス型チャネルプルーニングフレームワークを提案する。 我々の研究は、刈り取りが公平性を達成するための強力なツールであることを示す。 2つの皮膚病変診断データセットを用いて,本法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 18.587384389499768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous studies have revealed that deep learning-based medical image classification models may exhibit bias towards specific demographic attributes, such as race, gender, and age. Existing bias mitigation methods often achieve high level of fairness at the cost of significant accuracy degradation. In response to this challenge, we propose an innovative and adaptable Soft Nearest Neighbor Loss-based channel pruning framework, which achieves fairness through channel pruning. Traditionally, channel pruning is utilized to accelerate neural network inference. However, our work demonstrates that pruning can also be a potent tool for achieving fairness. Our key insight is that different channels in a layer contribute differently to the accuracy of different groups. By selectively pruning critical channels that lead to the accuracy difference between the privileged and unprivileged groups, we can effectively improve fairness without sacrificing accuracy significantly. Experiments conducted on two skin lesion diagnosis datasets across multiple sensitive attributes validate the effectiveness of our method in achieving state-of-the-art trade-off between accuracy and fairness. Our code is available at https://github.com/Kqp1227/Sensitive-Channel-Pruning.
• Abstract（参考訳）: 多くの研究が、ディープラーニングに基づく医療画像分類モデルが、人種、性別、年齢などの特定の人口特性に偏りを示す可能性があることを明らかにしている。 既存のバイアス緩和法は、しばしばかなりの精度の劣化を犠牲にして高い公平性を達成する。 この課題に対応するために、我々は、チャンネルプルーニングによる公平性を実現する、革新的で適応可能なソフトニアネバーロスに基づくチャネルプルーニングフレームワークを提案する。 伝統的に、チャネルプルーニングはニューラルネットワークの推論を加速するために利用される。 しかし、我々の研究は、刈り取りが公平性を達成するための強力なツールであることを示した。 私たちの重要な洞察は、レイヤ内の異なるチャネルが、異なるグループの正確性に異なる貢献をするということです。 特権グループと特権グループの間の精度差につながる臨界チャネルを選択的に切断することにより、精度を著しく損なうことなく、効果的に公平性を向上させることができる。 複数の感度属性にまたがる2つの皮膚病変診断データセットを用いて行った実験は、精度と公平性の間の最先端のトレードオフを達成する上で、本手法の有効性を検証した。 私たちのコードはhttps://github.com/Kqp1227/Sensitive-Channel-Pruning.comで利用可能です。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Robustly Optimized Deep Feature Decoupling Network for Fatty Liver Diseases Detection [18.24448979368885]
  現在の医用画像分類の取り組みは主に、より高い平均性能を目指しています。 大量のデータをサポートせずに、深層学習は脂肪肝のきめ細かい分類の課題に直面している。 本稿では,機能分離と適応的対人訓練を組み合わせた革新的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-25T07:50:09Z)
• Biasing & Debiasing based Approach Towards Fair Knowledge Transfer for Equitable Skin Analysis [16.638722872021095]
  学生ネットワークに公平な知識を伝達する2バイアスの教師のアプローチを提案する。 本手法は,学生ネットワークに存在するバイアスを,予測精度を損なうことなく軽減する。
  論文  参考訳（メタデータ） (2024-05-16T17:02:23Z)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification [14.589159162086926]
  バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。 本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。 2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T02:22:07Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Adaptive Fairness Improvement Based on Causality Analysis [5.827653543633839]
  識別ニューラルネットワークが与えられた場合、公平性向上の問題は、その性能を著しく損なうことなく、系統的に差別を減らすことである。 本稿では,因果分析に基づくフェアネス改善手法を適応的に選択する手法を提案する。 我々のアプローチは効果的(すなわち、常に最良の公正性を改善する方法を特定する)で効率的(すなわち平均時間オーバーヘッドが5分)である。
  論文  参考訳（メタデータ） (2022-09-15T10:05:31Z)
• FairPrune: Achieving Fairness Through Pruning for Dermatological Disease Diagnosis [17.508632873527525]
  刈り取りによる公平性を実現する方法であるFairPruneを提案する。 本研究では,両グループの平均精度を極力高く保ちながら,公平性を著しく向上できることを示す。
  論文  参考訳（メタデータ） (2022-03-04T02:57:34Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。