On Fairness of Medical Image Classification with Multiple Sensitive Attributes via Learning Orthogonal Representations

要約

機械学習モデルの識別性を緩和することは、医用画像解析においてますます注目されている。しかし、複数の敏感な人口統計学的なものを持つ患者に対する公平な処理に焦点を当てた作品は少なく、これは実世界の臨床アプリケーションにとって重要であるが困難な問題である。本論文では、マルチセンシティブな属性に関して公平な表現学習を行うための新しい手法を提案する。我々は、表現空間において直交性を実現することで、ターゲット表現とマルチセンシティブ表現の独立性を追求する。具体的には、ターゲット情報を低ランクのセンシティブ空間の補集合に保持することで、列空間の直交性を確保する。さらに、行空間においては、ターゲット表現と高感度表現間の特徴次元が直交するように促す。提案手法の有効性は、CheXpertデータセットに対する広範な実験により実証される。我々の知る限り、これは医療画像の分野において、複数の高感度属性に関する不公平感を緩和する最初の研究である。

要約(オリジナル)

Mitigating the discrimination of machine learning models has gained increasing attention in medical image analysis. However, rare works focus on fair treatments for patients with multiple sensitive demographic ones, which is a crucial yet challenging problem for real-world clinical applications. In this paper, we propose a novel method for fair representation learning with respect to multi-sensitive attributes. We pursue the independence between target and multi-sensitive representations by achieving orthogonality in the representation space. Concretely, we enforce the column space orthogonality by keeping target information on the complement of a low-rank sensitive space. Furthermore, in the row space, we encourage feature dimensions between target and sensitive representations to be orthogonal. The effectiveness of the proposed method is demonstrated with extensive experiments on the CheXpert dataset. To our best knowledge, this is the first work to mitigate unfairness with respect to multiple sensitive attributes in the field of medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL