Adversarial learning strategy for bias mitigation in aesthetic quality control classification

L'elemento critico di questo lavoro è stato l'approfondimento e l'analisi del processo di controllo della qualità (QC). Tutto ciò è stato fatto tenendo conto dei vincoli dovuti a un elevato costo computazionale in termini di tempo e risorse. Il task, così come il set di dati raccolti, sono il risultato di una collaborazione con un'azienda, quindi in questo scenario, il set di dati è un set di dati real-case. Il modello di Deep Learning e le diverse strategie, come la strategia di antagonistico, sono state introdotte per mitigare i pregiudizi indesiderati in questo settore, come le caratteristiche tipiche di ogni serie di fucili. L'obiettivo fondamentale di questa tesi, quindi, è proprio il desiderio di contribuire a tutti questi limiti. L'approccio "On the Fly" è stato proposto per aumentare le prestazioni riducendo la complessità computazionale. In questa situazione, la tecnica di mitigazione del bias proposta (la strategia di apprendimento contraddittorio) ci consente di migliorare le prestazioni dei compiti di classificazione e di tentare di far convergere il comportamento della rete al comportamento umano concentrando la valutazione più sulle venature del legno che sulla geometria. Inoltre, le correlazioni di Cramer e la balance accuracy across series supportano l'idea che la soluzione proposta sia un proof-of-concept per identificare e/o ridurre il bias involontario richiedendo alla rete di apprendere solo i tratti che descrivono accuratamente la qualità dei fucili piuttosto che ulteriori tratti confondenti (ad es. geometria).

The critical element of this work was the deepening and analysis of the quality control process (QC). All this was done taking into account the constraints due to a high computational cost in terms of time and resources. Another fundamental aspect, that can be considered a limit, is the presence of bias in the dataset. The task, as well as the collected dataset, are the result of a collaboration with an industrial company, so in this scenario, the dataset is a real-case dataset. The Deep Learning model and the different strategies, like adversarial learning strategy have been introduced to mitigate unwanted bias in this domain, such as the typical characteristics of each shotgun series. The fundamental objective of this thesis, therefore, is precisely the desire to contribute to all these limitations. The "On the Fly" Approach has been proposed to increase performance by reducing computational complexity. In this situation, the proposed bias mitigation technique (the adversarial learning strategy) enables us to improve classification task performance and attempt to converge network behaviour to human behaviour by focusing the assessment more on wood grain than on geometry. Additionally, the Cramer correlations and Balance Accuracy across series support the idea that the proposed solution is a proof of concept for identifying and reducing unintentional bias by requiring the network to learn only the traits that accurately describe the quality of shotguns rather than additional confounding traits (e.g. geometry).