Core Concepts
敵対的サンプルを利用することで、画像分類器の偏りを軽減し、精度を向上させることができる。
Abstract
本研究では、画像分類器の偏りを軽減し、精度を向上させるための新しい手法を提案している。
まず、属性特異的な敵対的サンプル(ASAC)を生成する。これらのサンプルは、分類器の保護属性に関する予測を誤らせるように設計されている。
次に、カリキュラム学習に基づいて、これらのASACを段階的に分類器に提示する。これにより、分類器の偏りが軽減され、精度が向上する。
実験の結果、提案手法は既存の手法と比べて、公平性指標を改善しつつ、全体的な精度も維持または向上させることができることが示された。
また、可視化手法を用いた分析から、提案手法によって分類器の決定が保護属性から独立するようになることが確認された。
Stats
提案手法を適用した後、smile分類器の性別に対する差別的パリティ(DDP)が0.15から0.14に改善された。
提案手法を適用した後、big nose分類器の性別に対する等化オッズ(DEO)が0.332から0.354に改善された。
提案手法を適用した後、wavy hair分類器の性別に対する等化機会(DEOp)が0.237から0.228に改善された。
Quotes
"我々は敵対的サンプルを利用することで、画像分類器の偏りを軽減し、精度を向上させる新しい手法を提案する。"
"敵対的サンプルを利用することで、分類器の決定が保護属性から独立するようになることが確認された。"