論文の概要: FairDD: Enhancing Fairness with domain-incremental learning in dermatological disease diagnosis

• arxiv url: http://arxiv.org/abs/2412.16542v1
• Date: Sat, 21 Dec 2024 08:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:01:49.219587
• Title: FairDD: Enhancing Fairness with domain-incremental learning in dermatological disease diagnosis
• Title（参考訳）: FairDD: 皮膚疾患診断におけるドメイン・インクリメンタル・ラーニングによるフェアネスの向上
• Authors: Yiqin Luo, Tianlong Gu,
• Abstract要約: 本研究は,皮膚科診断モデルにおける精度と公平性とのトレードオフを改善することを目的としている。 そこで本研究では,FairDDという,異なるグループの学習のバランスをとるために,ドメインの漸進的学習を活用する新しい皮膚科診断ネットワークを提案する。 提案手法はフェアネス基準とフェアネスと性能のトレードオフを両立させる。
• 参考スコア（独自算出の注目度）: 3.0485081384226733
• License:
• Abstract: With the rapid advancement of deep learning technologies, artificial intelligence has become increasingly prevalent in the research and application of dermatological disease diagnosis. However, this data-driven approach often faces issues related to decision bias. Existing fairness enhancement techniques typically come at a substantial cost to accuracy. This study aims to achieve a better trade-off between accuracy and fairness in dermatological diagnostic models. To this end, we propose a novel fair dermatological diagnosis network, named FairDD, which leverages domain incremental learning to balance the learning of different groups by being sensitive to changes in data distribution. Additionally, we incorporate the mixup data augmentation technique and supervised contrastive learning to enhance the network's robustness and generalization. Experimental validation on two dermatological datasets demonstrates that our proposed method excels in both fairness criteria and the trade-off between fairness and performance.
• Abstract（参考訳）: 深層学習技術の急速な進歩に伴い、人工知能は皮膚疾患の診断研究や応用においてますます普及している。 しかし、このデータ駆動アプローチは、しばしば意思決定バイアスに関連する問題に直面します。 既存の公正性向上技術は、通常、精度にかなりのコストがかかる。 本研究は,皮膚科診断モデルにおける精度と公平性とのトレードオフを改善することを目的としている。 そこで本研究では,FairDDという新たな皮膚科診断ネットワークを提案する。FairDDはドメインインクリメンタル学習を利用して,データ分布の変化に敏感に反応することで,異なるグループの学習のバランスをとる。 さらに、ネットワークの堅牢性と一般化を高めるために、ミックスアップデータ拡張手法と教師付きコントラスト学習を取り入れた。 2つの皮膚科学データセットの実験的検証により,提案手法は公正度基準と公正度と性能のトレードオフの両面で優れていることが示された。

関連論文リスト

• Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
  本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。 提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
  論文  参考訳（メタデータ） (2024-07-25T04:09:17Z)
• Biasing & Debiasing based Approach Towards Fair Knowledge Transfer for Equitable Skin Analysis [16.638722872021095]
  学生ネットワークに公平な知識を伝達する2バイアスの教師のアプローチを提案する。 本手法は,学生ネットワークに存在するバイアスを,予測精度を損なうことなく軽減する。
  論文  参考訳（メタデータ） (2024-05-16T17:02:23Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification [14.589159162086926]
  バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。 本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。 2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T02:22:07Z)
• Achieving Fairness in Dermatological Disease Diagnosis through Automatic Weight Adjusting Federated Learning and Personalization [15.276768990910337]
  皮膚科疾患は世界の健康に大きな脅威となり、世界の人口の約3分の1に影響を及ぼす。 本稿では,皮膚疾患診断のためのフェアネス対応フェデレーション学習フレームワークを提案する。 実験により,提案するフレームワークは,最先端技術と比較して,公平性と正確性の両方を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2022-08-23T20:44:09Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Technical Challenges for Training Fair Neural Networks [62.466658247995404]
  最先端のアーキテクチャを用いて顔認識と自動診断データセットの実験を行います。 我々は、大きなモデルは公平さの目標に過度に適合し、意図しない、望ましくない結果を生み出すことを観察する。
  論文  参考訳（メタデータ） (2021-02-12T20:36:45Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。