文献

J-GLOBAL ID：202202274747843089   整理番号：22A0789194

画像分類器におけるBiasの評価と軽減:反事実を用いた因果的展望【JST・京大機械翻訳】

Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals

著者 (3件)： Dash Saloni (Microsoft Research India,Bangalore,Karnataka,India) ,  Balasubramanian Vineeth N (Indian Institute of Technology,Hyderabad,Telangana,India) ,  Sharma Amit (Microsoft Research India,Bangalore,Karnataka,India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 3879-3888  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 特殊な特徴を変化させるが,他のオプシロンではなく,特定の人口統計グループに対する機械学習モデルのバイアスを評価するためには,特定の特徴を変化させるが,他のVoIPはそうではない。しかし,画像の様々な特徴の根底にある因果構造のため,画像に対する対抗的事例を生成することは自明でない。有意義なことに,発生する摂動は,因果モデルによって暗示される制約を満たす必要がある。著者らは,画像の属性間の因果関係に従って,逆説を生成する,敵対的学習推論(ALI)の改良変異体において,構造因果モデル(SCM)を組み込むことによって,対物を生成する方法を提示する。生成されたカウンターファクトに基づいて,事前訓練機械学習分類器を説明し,そのバイアスを評価し,対抗的正則化器を用いてバイアスを緩和する方法を示した。形態-MNISTデータセット上で,この方法はSCMベース対物(DeepSCM)に関する事前研究に対して品質において比較できる対物を生成し,一方,より複雑なCelebAデータセット上では,この方法は高品質な有効な対物を生成する際に,深いSCMを凌駕する。さらに,生成されたカウンターファクトルは,人間評価実験で再構成された画像と区別できず,その後,CelebAデータで訓練された標準分類器の公平性を評価するためにそれらを使用する。分類器は,w.r.t.皮膚と毛色が偏っていること,そして,対抗的正則化がこれらのバイアスを除去できることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  再構成 ,  逆理 ,  バイアス ,  *正則化 ,  機械学習 ,  公平性
準シソーラス用語： *画像分類 ,  VoIP ,  分類会計機 ,  評価実験 ,  因果モデル ,  高品質 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 画像分類 ,  評価 ,  展望