정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
더 큰 구조의 교사 모델을 활용한 공정한 특징 벡터 증류 기법 |
| 영문제목(English Title) |
Fair Feature Distillation Using Teacher Models of Larger Architecture |
| 저자(Author) |
정상원
문태섭
Sangwon Jung
Taesup Moon
|
| 원문수록처(Citation) |
VOL 48 NO. 11 PP. 1176 ~ 1183 (2021. 11) |
한글내용
(Korean Abstract) |
다양한 비전 어플리케이션에서 알고리즘의 공정성을 달성하는 것은 중요해지고 있다. MMD 기반 공정한 특징 증류(MFD)라는 최신 공정성 기법은 Maximum Mean Discrepancy (MMD) 를 사용한 특징 증류 방법을 통해 기존 방법들과 비교했을 때 정확도와 공정성을 상당히 개선시켰지만, 그들은 교사 모델의 구조가 학생 모델과 같을 때만 적용될 수 있었다. 본 논문에서는, MFD를 기반으로, 더 큰 구조를 가진 교사 모델에서의 특징 증류를 통해 불공정한 편향성을 완화하는 체계적 접근법인 MFD-R을 제안한다. 광범위한 실험을 통해 우리는 MFD-R이 다른 기준 방법이나 MFD와 비교했을 때, 더 큰 교사 모델을 사용하는 이점이 있다는 것을 보인다. |
영문내용
(English Abstract) |
Achieving algorithmic fairness is becoming increasingly essential for various vision applications. Although a state-of-the-art fairness method, dubbed as MMD-based Fair feature Distillation (MFD), significantly improved accuracy and fairness via feature distillation based on Maximum Mean Discrepancy (MMD) compared to previous works, MFD could be limitedly applied into when a teacher model has the same architecture as a student model. In this paper, based on MFD, we propose a systematic approach that mitigates unfair biases via feature distillation of a teacher model of larger architecture, dubbed as MMD-based Fair feature Distillation with a regressor (MFD-R). Throughout the extensive experiments, we showed that our MFD-R benefits from the use of the larger teacher compared to MFD as well as other baseline methods. |
| 키워드(Keyword) |
공정성
편향성
지식 증류
시각적 인식
fairness
bias
knowledge distillation
visual recognition
|
| 파일첨부 |
PDF 다운로드
|
