Fair Feature Distillation Using Teacher Models of Larger Architecture
Lists
Only you see this
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.
BibTeX
@article{jung2021fair,
author = {Sangwon Jung and Taesup Moon},
title = {{Fair Feature Distillation Using Teacher Models of Larger Architecture}},
journal = {Journal of KIISE},
year = {2021},
doi = {10.5626/jok.2021.48.11.1176},
}