ترجمه فارسی مقاله BMFT: دستیابی به انصاف از طریق تنظیم دقیق پوشش وزن مبتنی بر تعصب

چکیده

Developing models with robust group fairness properties is paramount, particularly in ethically sensitive domains such as medical diagnosis. Recent approaches to achieving fairness in machine learning require a substantial amount of training data and depend on model retraining, which may not be practical in real-world scenarios. To mitigate these challenges, we propose Bias-based Weight Masking Fine-Tuning (BMFT), a novel post-processing method that enhances the fairness of a trained model in significantly fewer epochs without requiring access to the original training data. BMFT produces a mask over model parameters, which efficiently identifies the weights contributing the most towards biased predictions. Furthermore, we propose a two-step debiasing strategy, wherein the feature extractor undergoes initial fine-tuning on the identified bias-influenced weights, succeeded by a fine-tuning phase on a reinitialised classification layer to uphold discriminative performance. Extensive experiments across four dermatological datasets and two sensitive attributes demonstrate that BMFT outperforms existing state-of-the-art (SOTA) techniques in both diagnostic accuracy and fairness metrics. Our findings underscore the efficacy and robustness of BMFT in advancing fairness across various out-of-distribution (OOD) settings. Our code is available at: https://github.com/vios-s/BMFT

چکیده به فارسی (ترجمه ماشینی)

توسعه مدل هایی با خاصیت انصاف گروه قوی ، به ویژه در حوزه های حساس اخلاقی مانند تشخیص پزشکی مهم است.رویکردهای اخیر برای دستیابی به انصاف در یادگیری ماشین به مقدار قابل توجهی از داده های آموزشی نیاز دارد و به آموزش مدل بستگی دارد ، که ممکن است در سناریوهای دنیای واقعی عملی نباشد.برای کاهش این چالش ها ، ما پیشنهاد می کنیم که ماسکینگ وزن مبتنی بر تعصب (BMFT) ، یک روش جدید پس از پردازش که باعث افزایش انصاف یک مدل آموزش دیده در دوره های قابل توجهی کمتر و بدون نیاز به دسترسی به داده های اصلی آموزش می شود.BMFT ماسک بر پارامترهای مدل تولید می کند ، که به طور موثری وزنهای را که بیشترین میزان را در پیش بینی های مغرضانه دارند ، شناسایی می کند.علاوه بر این ، ما یک استراتژی مبهم دو مرحله ای را پیشنهاد می کنیم ، که در آن استخراج کننده از ویژگی های دقیق بر روی وزنهای تحت تأثیر تعصب مشخص شده ، با یک مرحله تنظیم دقیق در یک لایه طبقه بندی مجدد برای حفظ عملکرد تبعیض آمیز موفق می شود.آزمایش های گسترده در چهار مجموعه داده پوستی و دو ویژگی حساس نشان می دهد که BMFT از تکنیک های پیشرفته پیشرفته (SOTA) در هر دو معیارهای تشخیصی و انصاف بهتر عمل می کند.یافته های ما تأکید بر اثربخشی و استحکام BMFT در پیشبرد انصاف در تنظیمات مختلف خارج از توزیع (OOD).کد ما در: https://github.com/vios-s/bmft در دسترس است