基于公平知识迁移的去偏与偏斜方法用于公平的皮肤分析

深度学习模型，特别是卷积神经网络(CNN)，在诊断皮肤疾病方面已显示出卓越的性能，常常超过皮肤科医生。然而，它们也揭示了与特定人口特征相关的偏见，尤其是关于多样化肤色或性别，引发公平性担忧，并限制了其广泛部署。研究人员正在积极工作确保AI解决方案的公平性，但现有方法在追求公平性时会损失准确性。为解决此问题，我们提出了一种基于“两个有偏见的教师”(即针对不同的敏感属性)的方法，用于将公平知识传递给学生网络。我们的做法在不损害其预测准确性的前提下，减轻了学生网络中存在的偏见。事实上，在大多数情况下，我们的方法会提高基线模型的准确性。为实现这一目标，我们开发了由偏斜损失项和去偏损失项组成的加权损失函数。我们超越了现有最先进的方法，实现了公平性，同时也提高了准确性。该方法在两个皮肤病学数据集上进行了评估和验证，使用标准的准确性和公平性评估措施。我们将公开源代码，以促进可重复性和未来研究。