MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016932236
■00520240214100432
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379718015
■035    ▼a(MiAaPQ)AAI30490359
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aRamaswamy,  Vikram  V.
■24510▼aTackling  Bias  Within  Computer  Vision  Models▼h[electronic  resource]
■260    ▼a[S.l.]:▼bPrinceton  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(198  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Russakovsky,  Olga.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aOver  the  past  decade  the  rapid  increase  in  the  ability  of  computer  vision  models  has  led  to  their  applications  in  a  variety  of  real-world  applications  from  self-driving  cars  to  medical  diagnoses.  However,  there  is  increasing  concern  about  the  fairness  and  transparency  of  these  models.  In  this  thesis,  we  tackle  these  issue  of  bias  within  these  models  along  two  different  axes.First,  we  consider  the  datasets  that  these  models  are  trained  on.  We  use  two  different  methods  to  create  a  more  balanced  training  dataset.  First,  we  create  a  synthetic  balanced  dataset  by  sampling  strategically  from  the  latent  space  of  a  generative  network.  Next,  we  explore  the  potential  of  creating  a  dataset  through  a  method  other  than  scraping  the  internet:  we  solicit  images  from  workers  around  the  world,  creating  a  dataset  that  is  balanced  across  different  geographical  regions.  Both  techniques  are  shown  to  help  create  models  with  less  bias.Second,  we  consider  methods  to  improve  interpretability  of  these  models,  which  can  then  reveal  potential  biases  within  the  model.  We  investigate  a  class  of  interpretability  methods  called  concept-based  methods  that  output  explanations  for  models  in  terms  of  human  understandable  semantic  concepts.  We  demonstrate  the  need  for  more  careful  development  of  the  datasets  used  to  learn  the  explanation  as  well  as  the  concepts  used  within  these  explanations.  We  construct  a  new  method  that  allows  for  users  to  select  a  trade-off  between  the  understandability  and  faithfulness  of  the  explanation.  Finally,  we  discuss  how  methods  that  completely  explain  a  model  can  be  developed,  and  provide  heuristics  for  the  same.
■590    ▼aSchool  code:  0181.
■650  4▼aComputer  science.
■653    ▼aConcept-based  explanations
■653    ▼aML  systems
■653    ▼aComputer  vision
■653    ▼aMedical  diagnoses
■653    ▼aReal-world  applications
■690    ▼a0984
■690    ▼a0800
■71020▼aPrinceton  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932236▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서