FairDD：基于域递增学习的皮肤病诊断公平性增强
机器学习
2024-12-24 v1 计算机视觉与模式识别
计算机与社会
摘要
随着深度学习技术的快速发展，人工智能在皮肤病诊断的研究和应用中日益普及。然而，这种数据驱动的方法常面临决策偏差的问题。现有的公平性增强技术通常会显著牺牲准确性。本研究旨在在准确性和公平性之间实现更好的平衡。为此，我们提出了一种新型公平皮肤病诊断网络，命名为 FairDD，通过域递增学习来平衡不同群体的学习，使其对数据分布变化敏感。此外，我们还融合了 mixup 数据增强技术和监督对比学习，以增强网络的鲁棒性和泛化能力。在两组皮肤病数据集上的实验验证表明，我们提出的方法在公平性标准和公平性与性能之间的权衡方面均表现优异。
引用
@article{arxiv.2412.16542,
title = {FairDD: Enhancing Fairness with domain-incremental learning in dermatological disease diagnosis},
author = {Yiqin Luo and Tianlong Gu},
journal= {arXiv preprint arXiv:2412.16542},
year = {2024}
}