Bias in der tiefen Lernmethoden reduzieren: Unvoreingenommene Modelle auf voreingenommenen Daten für die morphologische Klassifikation von Galaxien trainieren

ZUSAMMENFASSUNG Die Morphologien von Galaxien und deren Beziehung zu physikalischen Eigenschaften waren in der Vergangenheit ein relevantes Studienfeld. Die meisten Kataloge zur Galaxiemorphologie wurden von menschlichen Annotatoren oder von maschinellen Lernmodellen, die auf von Menschen gekennzeichneten Daten trainiert wurden, beschriftet. Es wurde gezeigt, dass von Menschen generierte Labels Verzerrungen in Bezug auf die beobachtbaren Eigenschaften der Daten, wie z.B. die Bildauflösung, enthalten. Diese Verzerrungen sind unabhängig von den Annotatoren, das heißt, sie sind auch in Katalogen vorhanden, die von Experten beschriftet wurden. In dieser Arbeit zeigen wir, dass das Training von tiefen Lernmodellen auf voreingenommenen Galaxiedaten zu voreingenommenen Modellen führt, was bedeutet, dass die Verzerrungen in den Trainingsdaten auf die Vorhersagen der neuen Modelle übertragen werden. Wir schlagen auch eine Methode vor, um tiefe Lernmodelle zu trainieren, die diese inhärente Labeling-Bias berücksichtigt, um ein unvoreingenommenes Modell zu erhalten, selbst wenn auf voreingenommenen Daten trainiert wird. Wir zeigen, dass Modelle, die mit unserer tiefen Debiasing-Methode trainiert wurden, in der Lage sind, die Verzerrung von menschlich gekennzeichneten Datensätzen zu reduzieren.