面向皮肤 Lesion 数据集的公平神经网络的数据-算法-架构联合优化
机器学习
2024-07-22 v1 人工智能
摘要
随着人工智能（AI）越来越深入日常生活，公平性已成为关键关注点，尤其是在医疗 AI 中，数据集常反映因社会因素导致的内在偏见，如边缘社区的缺乏代表以及获取数据的经济障碍。传统方法侧重于数据增强和公平感知训练算法的开发。然而，本文指出，神经网络的架构——作为机器学习（ML）的核心组件——在确保公平性方面发挥关键作用。我们证明，有效解决公平性问题需要一个涉及数据、算法和架构的整体方法。利用自动机器学习（AutoML）技术，特别是神经网络架构搜索（NAS），我们引入了一种新框架 BiaslessNAS，用于在皮肤 Lesion 数据集分析中实现公平结果。BiaslessNAS 在 NAS 流程的每个阶段都纳入公平性考虑，最终识别出不仅更准确且显著更公平的神经网络。我们的实验表明，BiaslessNAS 在准确率上提升 2.55%，在公平性上提升 65.50%，凸显了将公平性整合到神经网络架构中以实现更好医疗 AI 结果的重要性。
关键词
引用
@article{arxiv.2407.13896,
title = {Data-Algorithm-Architecture Co-Optimization for Fair Neural Networks on Skin Lesion Dataset},
author = {Yi Sheng and Junhuan Yang and Jinyang Li and James Alaina and Xiaowei Xu and Yiyu Shi and Jingtong Hu and Weiwen Jiang and Lei Yang},
journal= {arXiv preprint arXiv:2407.13896},
year = {2024}
}
备注
MICCAI