FairQuant：面向医学图像分类的公平性感知混合精度量化
计算机视觉与模式识别
2026-02-27 v1 机器学习
摘要
通过对神经网络参数进行量化压缩可在性能与效率之间获得有用的权衡。量化感知训练和后训练量化等方法致力于维持压缩模型相对于全精度模型的下游性能，但这些技术未显式考虑对算法公平性的影响。本文我们在明确比特预算下，研究面向医学图像分类的公平性感知混合精度量化方案。我们引入 FairQuant 框架，组合组感知重要性分析、预算化混合精度分配以及可学习的比特感知量化 (BAQ) 模式，在比特率约束和公平性正则化下联合优化权重和单位比特分配。我们在 Fitzpatrick17k 和 ISIC2019 数据集上评估了该方法，测试对象包括 ResNet18/50、DeiT-Tiny 和 TinyViT。结果表明，平均精度接近 4-6 位的 FairQuant 配置在恢复大部分均匀 8 位精度的同时，相对于均匀 4 位和 8 位基线，实现了更好的最差组性能，在共享预算下保持可比的公平性指标。
引用
@article{arxiv.2602.23192,
title = {FairQuant: Fairness-Aware Mixed-Precision Quantization for Medical Image Classification},
author = {Thomas Woergaard and Raghavendra Selvan},
journal= {arXiv preprint arXiv:2602.23192},
year = {2026}
}
备注
Source code available at https://github.com/saintslab/FairQuant