APPLE：用于不公平性缓解的潜在嵌入对抗性隐私感知扰动
计算机视觉与模式识别
2024-03-11 v1
摘要
确保基于深度学习的分割器的公平性对于健康公平至关重要。许多工作致力于缓解训练数据集或过程中的不公平性。然而，随着基础模型在医学图像分析中的日益普及，从头训练公平模型同时保留效用变得困难。在本文中，我们提出了一种新方法，即潜在嵌入对抗性隐私感知扰动（APPLE），该方法通过引入一个小型的潜在特征扰动器，无需更新原始模型的权重即可提高已部署分割器的公平性。通过对潜在向量添加扰动，APPLE 对分割器的潜在向量进行修饰，使得没有与公平性相关的特征能够传递给分割器的解码器，同时保留了分割器的架构和参数。在两个分割数据集和五个分割器（三个类 U-Net 和两个类 SAM）上的实验表明，与几种不公平性缓解方法相比，我们提出的方法具有有效性。
引用
@article{arxiv.2403.05114,
title = {APPLE: Adversarial Privacy-aware Perturbations on Latent Embedding for Unfairness Mitigation},
author = {Zikang Xu and Fenghe Tang and Quan Quan and Qingsong Yao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2403.05114},
year = {2024}
}