Primo benchmark di equità per reti neurali spike rivela disparità di bias

Uno studio recente presenta il primo benchmark sistematico di equità per le reti neurali spike (SNN), concentrandosi su tre aspetti essenziali: lacune nella rappresentazione demografica nei dataset di training, perdita di caratteristiche spurie (come l'uso del colore della pelle come proxy per le etichette di classe) e incongruenze negli ambienti di deployment su dispositivi edge. Questa struttura combina quattro dataset cross-demografici con iniezioni intenzionali di bias insieme a tre simulatori hardware neuromorfi (Loihi 2, SpiNNaker). L'analisi di 12 SNN all'avanguardia rivela che i modelli addestrati su dataset distorti hanno un tasso di falsi positivi del 23% più alto per i gruppi marginalizzati.