論文の概要: Medical Image Debiasing by Learning Adaptive Agreement from a Biased Council

• arxiv url: http://arxiv.org/abs/2401.11713v1
• Date: Mon, 22 Jan 2024 06:29:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 15:15:09.271676
• Title: Medical Image Debiasing by Learning Adaptive Agreement from a Biased Council
• Title（参考訳）: バイアスド・カウンシルからの適応合意学習による医用画像デバイアス
• Authors: Luyang Luo, Xin Huang, Minghao Wang, Zhuoyue Wan, Hao Chen
• Abstract要約: ディープラーニングは、データセットバイアスによって得られたショートカットを学習する傾向があります。 その重要性にもかかわらず、データセットバイアスに対処する医療画像分類領域では、多くの研究が行われている。 本稿では,バイアスラベルに依存しないバイアス緩和フレームワークであるバイアスド・カウンシル(Ada-ABC)からの学習適応合意を提案する。
• 参考スコア（独自算出の注目度）: 8.530912655468645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning could be prone to learning shortcuts raised by dataset bias and result in inaccurate, unreliable, and unfair models, which impedes its adoption in real-world clinical applications. Despite its significance, there is a dearth of research in the medical image classification domain to address dataset bias. Furthermore, the bias labels are often agnostic, as identifying biases can be laborious and depend on post-hoc interpretation. This paper proposes learning Adaptive Agreement from a Biased Council (Ada-ABC), a debiasing framework that does not rely on explicit bias labels to tackle dataset bias in medical images. Ada-ABC develops a biased council consisting of multiple classifiers optimized with generalized cross entropy loss to learn the dataset bias. A debiasing model is then simultaneously trained under the guidance of the biased council. Specifically, the debiasing model is required to learn adaptive agreement with the biased council by agreeing on the correctly predicted samples and disagreeing on the wrongly predicted samples by the biased council. In this way, the debiasing model could learn the target attribute on the samples without spurious correlations while also avoiding ignoring the rich information in samples with spurious correlations. We theoretically demonstrated that the debiasing model could learn the target features when the biased model successfully captures dataset bias. Moreover, to our best knowledge, we constructed the first medical debiasing benchmark from four datasets containing seven different bias scenarios. Our extensive experiments practically showed that our proposed Ada-ABC outperformed competitive approaches, verifying its effectiveness in mitigating dataset bias for medical image classification. The codes and organized benchmark datasets will be made publicly available.
• Abstract（参考訳）: ディープラーニングは、データセットバイアスによって引き上げられたショートカットを学習する傾向があり、結果として不正確で信頼性の低い不公平なモデルが生まれる。 その重要性にもかかわらず、データセットバイアスに対処するための医用画像分類領域の研究が盛んである。 さらに、バイアスラベルはしばしば非依存であり、バイアスを特定することは熱心であり、ポストホック解釈に依存する。 本稿では,医療画像におけるデータセットバイアスに取り組むために,明示的なバイアスラベルに依存しないデバイアスフレームワークであるbiasted council(ada-abc)による学習適応合意を提案する。 Ada-ABCは、データセットバイアスを学習するために、一般化されたクロスエントロピー損失に最適化された複数の分類器からなるバイアス付きカウンシルを開発する。 デバイアスモデルは、バイアスド・カウンシルの指導の下で同時に訓練される。 具体的には、正しく予測されたサンプルについて合意し、偏りのあるカウンシルによって誤った予測されたサンプルについて不一致をすることで、偏りのあるカウンシルとの適応的合意を学ぶためにデバイアスモデルが必要となる。 このようにして、縮退モデルは、スプリアス相関を伴わずにサンプルの目標属性を学習し、スプリアス相関を伴ってサンプルの豊富な情報を無視する。 我々は、バイアスモデルがデータセットのバイアスをうまく捉えた場合に、デバイアスモデルがターゲットの特徴を学習できることを理論的に証明した。 さらに,7つの異なるバイアスシナリオを含む4つのデータセットから,最初の医学的デバイアスベンチマークを構築した。 提案するada-abcは,医療画像分類におけるデータセットバイアスの軽減効果を検証し,競争的アプローチを上回っていた。 コードと組織化されたベンチマークデータセットが公開される予定だ。

関連論文リスト

• Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
  本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。 我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-04T08:57:09Z)
• Improving Bias Mitigation through Bias Experts in Natural Language Understanding [10.363406065066538]
  補助モデルと主モデルの間に二項分類器を導入するデバイアス化フレームワークを提案する。 提案手法は補助モデルのバイアス識別能力を向上させる。
  論文  参考訳（メタデータ） (2023-12-06T16:15:00Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Echoes: Unsupervised Debiasing via Pseudo-bias Labeling in an Echo Chamber [17.034228910493056]
  本稿では,既存のバイアスモデルがトレーニングデータにおけるバイアス強調サンプルに過度に適合していることを明らかにする実験的検討を行った。 本研究では、バイアスモデルとターゲットモデルを異なる戦略で訓練するEchoesという、単純で効果的な手法を提案する。 提案手法は,既存の合成データセットと実世界のデータセットのベースラインと比較して,優れたデバイアス化結果が得られる。
  論文  参考訳（メタデータ） (2023-05-06T13:13:18Z)
• Improving Evaluation of Debiasing in Image Classification [29.711865666774017]
  本研究は,画像分類におけるデバイアス評価を行う際には,いくつかの課題を解決する必要があることを示唆する。 このような問題に基づいて,チューニング基準に対する評価基準であるAlign-Conflict(AC)スコアを提案する。 われわれの発見と教訓は、未来の研究者に偏見を刺激し、最先端のパフォーマンスをさらに押し上げ、公正な比較を行うことを信じている。
  論文  参考訳（メタデータ） (2022-06-08T05:24:13Z)
• Intrinsic Bias Identification on Medical Image Datasets [9.054785751150547]
  まず、データ固有のバイアス属性を定義し、次いで、医用画像データセットのための新しいバイアス識別フレームワークを提案する。 このフレームワークには、KlotskiNetとBias Discriminant Direction Analysis(bdda)という2つの主要なコンポーネントが含まれている。 3つのデータセットの実験結果から,フレームワークが検出したバイアス特性の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-24T06:28:07Z)
• Pseudo Bias-Balanced Learning for Debiased Chest X-ray Classification [57.53567756716656]
  本研究では, バイアスラベルを正確に把握せず, 脱バイアス胸部X線診断モデルの開発について検討した。 本稿では,まずサンプルごとのバイアスラベルをキャプチャし,予測する新しいアルゴリズム,擬似バイアスバランス学習を提案する。 提案手法は他の最先端手法よりも一貫した改善を実現した。
  論文  参考訳（メタデータ） (2022-03-18T11:02:18Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)
• Towards Robustifying NLI Models Against Lexical Dataset Biases [94.79704960296108]
  本稿では、語彙的データセットバイアスに対するモデル強化のための、データレベルとモデルレベルのデバイアス法の両方について検討する。 まず、データ拡張と拡張によってデータセットをデバイアスするが、この方法でモデルバイアスを完全に除去することはできないことを示す。 第2のアプローチでは、バーオブワードのサブモデルを使用して、バイアスを悪用する可能性のある機能をキャプチャし、元のモデルがこれらのバイアス付き機能を学ぶのを防ぐ。
  論文  参考訳（メタデータ） (2020-05-10T17:56:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。