Разработка нейросети на Python для диссертации

Дисциплина Машинное обучение (Machine Learning)
Тема Fairness in Self-Supervised Learning of Visual Representations — Справедливость в самостоятельном обучении визуальным представлениям
Необходимо разработать фреймворк, который вычисляет 3 типа показателей справедливости (расстояние демографического паритета, расстояние с уравненными шансами и расстояние равенства возможностей; эти показатели используются в статье https://arxiv.org/abs/2106.02866 ) и точность прогнозирования для визуального представления 3-х различных методов SSL (SimCLR, BarlowTwins и VicReg), а также базовая модель. Базовой моделью должна быть модель контролируемого обучения (архитектура и обучение аналогичной модели описаны на странице 8 и в таблице 3 статьи https://arxiv.org/abs/2106.02866 ). Вы можете найти пример вычисления единой метрики справедливости (расстояния с уравненными коэффициентами) для метода SimCLR в исходном коде https://github.com/sungho-CoolG/FSCL из соответствующей статьи https://arxiv.org/abs/2203.16209 .
Все 4 модели в фреймворке должны использовать набор данных CelebA (его разделение на поезда для обучения и разделение на тесты для целей оценки). Следующей задачей для всех 4 моделей может быть задача предсказания атрибутов в 40 измерениях (однако было бы удобнее выбрать несколько атрибутов для соответствующих задач предсказания в 1 измерении, например “улыбка”, “волнистые волосы” и “привлекательный”). ResNet-50 или ResNet-18 следует использовать в качестве базовой нисходящей модели во всех 4 случаях фреймворка. Окончательные результаты вычислений фреймворка должны быть представлены в сравнительной таблице.