論文の概要: Fair Distillation: Teaching Fairness from Biased Teachers in Medical Imaging

• arxiv url: http://arxiv.org/abs/2411.11939v1
• Date: Mon, 18 Nov 2024 16:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:36:48.244073
• Title: Fair Distillation: Teaching Fairness from Biased Teachers in Medical Imaging
• Title（参考訳）: フェア蒸留 : 医療画像におけるバイアスのある教師からのフェアネスの指導
• Authors: Milad Masroor, Tahir Hassan, Yu Tian, Kevin Wells, David Rosewarne, Thanh-Toan Do, Gustavo Carneiro,
• Abstract要約: 本研究では,Fair Distillation (FairDi) 法を提案する。 また,FairDiの精度は,既存手法に比べて向上し,グループ別精度も向上した。 FairDiは分類やセグメンテーションなどの様々な医療タスクに適応し、公平なモデルパフォーマンスのための効果的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 16.599189934420885
• License:
• Abstract: Deep learning has achieved remarkable success in image classification and segmentation tasks. However, fairness concerns persist, as models often exhibit biases that disproportionately affect demographic groups defined by sensitive attributes such as race, gender, or age. Existing bias-mitigation techniques, including Subgroup Re-balancing, Adversarial Training, and Domain Generalization, aim to balance accuracy across demographic groups, but often fail to simultaneously improve overall accuracy, group-specific accuracy, and fairness due to conflicts among these interdependent objectives. We propose the Fair Distillation (FairDi) method, a novel fairness approach that decomposes these objectives by leveraging biased ``teacher'' models, each optimized for a specific demographic group. These teacher models then guide the training of a unified ``student'' model, which distills their knowledge to maximize overall and group-specific accuracies, while minimizing inter-group disparities. Experiments on medical imaging datasets show that FairDi achieves significant gains in both overall and group-specific accuracy, along with improved fairness, compared to existing methods. FairDi is adaptable to various medical tasks, such as classification and segmentation, and provides an effective solution for equitable model performance.
• Abstract（参考訳）: ディープラーニングは画像分類とセグメンテーションタスクにおいて顕著な成功を収めた。 しかし、フェアネスの懸念は、モデルが人種、性別、年齢などのセンシティブな属性によって定義される人口集団に不均等に影響を及ぼすバイアスを示すため、継続する。 従来のバイアス緩和手法(サブグループ再バランス、逆行訓練、ドメイン一般化など)は、人口集団間で精度をバランスさせることを目的としているが、これらの相互依存対象間の対立による全体的な正確性、グループ固有の正確性、公平性を同時に改善することができないことが多い。 本研究では, 偏りのある「教師」モデルを利用して, 対象を分解するフェアネス手法であるFair Distillation(FairDi)を提案する。 これらの教師モデルは、グループ間の格差を最小限に抑えながら、全体およびグループ固有の精度を最大化するために知識を蒸留する統合された「学生」モデルの訓練を指導する。 医学画像データセットの実験では、FairDiは、既存の方法と比較して、全体的な精度とグループ固有の正確性の両方において、大幅な向上を達成している。 FairDiは分類やセグメンテーションなどの様々な医療タスクに適応し、公平なモデルパフォーマンスのための効果的なソリューションを提供する。

関連論文リスト

• Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
  多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。 本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。 そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-08-28T06:31:37Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• 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)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• 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)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce Discrimination [53.3082498402884]
  機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。 本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。 偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
  論文  参考訳（メタデータ） (2020-09-25T05:48:56Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)
• FACT: A Diagnostic for Group Fairness Trade-offs [23.358566041117083]
  グループフェアネス(グループフェアネス、英: Group Fairness)とは、個人の異なる集団が保護された属性によってどのように異なる扱いを受けるかを測定するフェアネスの概念のクラスである。 グループフェアネスにおけるこれらのトレードオフを体系的に評価できる一般的な診断法を提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:15:51Z)

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。