요약: 양자 기계 학습(QML)은 의료 분류에 대한 활용이 점차 확대되고 있지만, 하위 집단을 고려한 공정성 기준 하에서의 성과는 아직 충분히 연구되지 않았다. 본 연구에서는 QML이 본질적으로 공정하지 않다는 전제 하에, 의료 영상 분석을 위한 고전 및 양자 분류기의 경험적 공정성 검증을 수행한다. 두 가지 시나리오를 평가하며, DDI 데이터셋의 피부병변(민감 속성: 피츠패트릭 피부 타입)과 CheXpert에서 파생된 데이터셋의 흉부 X선 이미지(민감 속성: 연령대)를 대상으로 한다. ResNet-18 임베딩을 활용하여 SVM, MLP, QSVM 및 QCNN을 각각 기본 설정과 세 가지 완화 방식—미분 가능한 Equalized Odds(EO) 정규화, Gradient Reversal Learning(GRL), 그리고 이 두 가지를 결합한 방식—하에 학습시킨다. 또한 베이스라인 모델로 PanDerm과 EVA-X와 같은 기반 모델을 외부 비교 기준으로 활용한다. 양자 분류기는 경쟁력 있는 종합 성능을 달성하면서도 여전히 하위 집단 간 불균형을 보여줄 수 있다. 더 작은 하위 집단 AUC 격차가 최악의 집단 성능을 개선하기보다는 최우수 집단의 성능을 저하시키는 데서 비롯될 수 있기 때문에, 각 완화 방식은 기본 설정 대비 사전 지정된 비열등성 마진 기준에도 맞춰 검증된다. 이러한 기준에 따르면, 특히 DDI 데이터셋에서 GRL과 EO를 결합한 QCNN 등 가장 작은 불균형을 보이는 몇몇 구성은 전역적인 구분 능력의 저하로 인해 임상적으로 수용할 수 없다. DDI 데이터셋에서는 GRL+EO를 적용한 QSVM이 가장 우수한 성능을 보였으며, 성능과 공정성 간의 트레이드오프 측면에서 PanDerm에 근접했다. 반면 CheXpert 데이터셋에서는 GRL을 적용한 QCNN이 가장 높은 종합 성능을 달성했으나 불균형이 증가했고, EVA-X가 여전히 더 강력한 성능을 유지했다. 공정성 효과는 모델과 데이터셋에 따라 달라지므로, QML은 하위 집단을 고려한 경험적 평가가 필수적이다. 모든 양자 모델은 고전 시뮬레이션 환경에서 실행되며, 본 연구에서는 양자 우위를 주장하지 않는다.
주제: | 기계학습(cs.LG); 인공지능(cs.AI); 컴퓨터와 사회(cs.CY) 인용: | arXiv:2610.37819 [cs.LG] | (또는
arXiv:2610.37819v1 [cs.LG] 이 버전의 경우) | https://doi.org/10.48550/arXiv.2610.37819
더 알아보기
DataCite를 통한 arXiv 발행 DOI(등록 대기 중)
투고 이력
논문 보기:
PDF 보기
HTML(실험적)
TeX 소스
추가 기능
오디오 요약
현재 탐색 컨텍스트:
참고문헌 및 인용
Google 학술검색
Semantic Scholar
북마크
기관
arXivLabs는 협력자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 함께 일하는 개인과 조직 모두는 개방성, 커뮤니티, 우수성, 그리고 사용자 데이터 개인정보 보호라는 당사의 가치를 수용하고 받아들였습니다. arXiv은 이러한 가치에 헌신하며, 이에 부합하는 파트너들과만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.