FairAdaBN：以自适应批归一化缓解不公平性及其在皮肤疾病分类中的应用
机器学习
2023-07-06 v2 计算机视觉与模式识别
摘要
深度学习在医学研究与应用中的普及度日益提升，但同时也涉及敏感信息乃至关键诊断决策。研究者观察到不同人口属性子组间存在显著的性能差异，称为模型不公平性，并投入大量精力精心设计优雅架构以解决不公平性，这带来了沉重的训练负担、较差的泛化能力，并揭示了模型性能与公平性之间的权衡。为解决这些问题，我们提出FairAdaBN，使批归一化对敏感属性自适应。这一简单而有效的设计可被采用至若干原本无公平性意识的分类骨干网络中。此外，我们推导了一种新颖的损失函数，在mini-batch上约束子组间的统计奇偶性，促使模型以可观的公平性收敛。为评估模型性能与公平性间的权衡，我们提出名为公平性-准确率权衡效率（FATE）的新指标，用于计算准确率下降之上的归一化公平性提升。在两个皮肤疾病数据集上的实验表明，我们所提方法在公平性准则与FATE上均优于其他方法。
引用
@article{arxiv.2303.08325,
title = {FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification},
author = {Zikang Xu and Shang Zhao and Quan Quan and Qingsong Yao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2303.08325},
year = {2023}
}
备注
Accepted by MICCAI 2023