移动图像分类中的准确性-公平性-效率三难问题：一个帕累托基准测试

《Scientific Reports》：The accuracy–fairness–efficiency Trilemma in mobile image classification: a Pareto benchmark

　　

摘要

在资源有限的移动设备上部署深度学习分类器需要同时满足三个相互竞争的目标：预测准确性、人口统计公平性和推理效率。此前没有研究将这些目标共同视为一个受限的多目标优化问题，在相同条件下对一系列策略进行基准测试，也没有定义“部署可行性区域”（Deployment-Feasible Zone，简称DFZ）作为受可行性约束的帕累托子集。本文实现了这三个方面的贡献。我们在一个包含2,821张图像的数据集上，针对24个人口统计子群体（最坏情况下的不平衡比例为35.47:1），在严格的约束条件下（\(\textrm{F1} \ge 0.85\)、\(\textrm{EOD} < 0.10\)（每个属性）、\(\le \!10\) MB的存储空间以及\(\le \!300\)毫秒的处理器时间（入门级系统级芯片SoC），对十一种优化配置进行了基准测试。研究得出了三个主要发现：(1) 结合3D感知增强技术和保护性公平性剪枝（Protected Fairness Pruning，简称C2）的方法达到了帕累托最优点：\(\textrm{F1} = 0.934\)（95%置信区间：0.906–0.962），\(\textrm{EOD}_{\textrm{gender}} = 2.0\,\%），所需存储空间为6.3 MB，处理时间为187毫秒，这一结果在94.2%的自助法重采样中得到了验证。(2) 在相同的压缩比率下，标准幅度剪枝在公平性约束剪枝（Fairness-Constrained Pruning，简称PFP）的显著优势下处于帕累托劣势——这一结果基于少数群体编码的幅度较小特性。(3) 自适应三难问题权重调度器（Adaptive Trilemma Weight Scheduler，简称ATWS）相比固定权重训练，能够使\(\textrm{F1}\)提高\(+1.3\)个百分点，\(\textrm{EOD}减少0.6–0.7个百分点，且与任何公平性约束策略都兼容。