群体学习在皮肤病变分类中的公平性研究
分布式、并行与集群计算
2021-09-28 v1 计算机与社会
机器学习
图像与视频处理
摘要
在医疗健康领域。然而，现有的人工智能模型在其决策标注中可能存在偏差。由数据本身引起的偏差（例如仅在子组中收集数据）可通过纳入更多样化的数据来缓解。分布式与协作学习是一种在海量、异构且分布式的数据源（也称为节点）中参与训练模型的方法。在这项工作中，我们旨在考察群体学习（Swarm Learning, SL）中的公平性问题，SL 是一种近期基于边缘计算的去中心化机器学习方法，专为精准医疗中的异构疾病检测而设计。SL 已在临床应用中取得高性能，但尚无研究尝试评估 SL 是否能改善公平性。为解决该问题，我们通过对单节点训练、SL 与集中式训练之间的公平性进行比较，提出了一项实证研究。具体而言，我们在大型公开可用的皮肤病变数据集上评估，该数据集包含来自多个子组的样本。实验表明，与集中式训练相比，SL 并未加剧公平性问题；与单节点训练相比，SL 同时提升了性能与公平性。然而，SL 模型中仍存在偏差，且 SL 的实现比另外两种策略更为复杂。
引用
@article{arxiv.2109.12176,
title = {On the Fairness of Swarm Learning in Skin Lesion Classification},
author = {Di Fan and Yifan Wu and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2109.12176},
year = {2021}
}