通过通道剪枝实现皮肤病诊断中的公平性

大量研究表明，基于深度学习的医学图像分类模型可能会对特定的人口统计属性（如种族、性别和年龄）表现出偏见。现有的偏见缓解方法通常以显著降低准确率为代价来实现高水平的公平性。为了应对这一挑战，我们提出了一种创新且适应性强的基于软最近邻损失的通道剪枝框架，该框架通过通道剪枝实现公平性。传统上，通道剪枝用于加速神经网络推理。然而，我们的工作表明，剪枝也可以成为实现公平性的有力工具。我们的关键洞察是，一层中的不同通道对不同群体的准确率贡献不同。通过选择性地剪枝导致特权群体和非特权群体之间准确率差异的关键通道，我们可以在不显著牺牲准确率的情况下有效提高公平性。在两个皮肤病变诊断数据集上跨多个敏感属性进行的实验验证了我们的方法在实现准确率和公平性之间最先进权衡的有效性。我们的代码可在 https://github.com/Kqp1227/Sensitive-Channel-Pruning 获取。