基于正交表示学习的多敏感属性下医学图像分类公平性研究
计算机视觉与模式识别
2023-03-10 v3 计算机与社会
机器学习
摘要
减轻机器学习模型的歧视问题在医学图像分析中获得了越来越多的关注。然而，鲜有工作关注对具有多个敏感人口统计学属性的患者的公平处理，这是真实世界临床应用中的一个关键且具有挑战性的问题。在本文中，我们提出了一种针对多敏感属性的公平表示学习新方法。我们通过在表示空间中实现正交性来追求目标与多敏感表示之间的独立性。具体而言，我们通过将目标信息保留在低秩敏感空间的补空间上，来强制列空间正交。此外，在行空间中，我们鼓励目标与敏感表示之间的特征维度正交。所提方法的有效性在 CheXpert 数据集上的大量实验中得到了证明。据我们所知，这是在医学成像领域缓解针对多敏感属性不公平性的首项工作。
引用
@article{arxiv.2301.01481,
title = {On Fairness of Medical Image Classification with Multiple Sensitive Attributes via Learning Orthogonal Representations},
author = {Wenlong Deng and Yuan Zhong and Qi Dou and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2301.01481},
year = {2023}
}