論文の概要: Achieving Fair Skin Lesion Detection through Skin Tone Normalization and Channel Pruning

• arxiv url: http://arxiv.org/abs/2509.22712v1
• Date: Wed, 24 Sep 2025 04:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.816651
• Title: Achieving Fair Skin Lesion Detection through Skin Tone Normalization and Channel Pruning
• Title（参考訳）: 皮膚緊張正常化とチャンネルプルーニングによる公正皮膚病変検出
• Authors: Zihan Wei, Tapabrata Chakraborti,
• Abstract要約: そこで本研究では,ロスによる皮膚の正常化とデータ拡張手法を提案する。 皮膚のトーン正規化では、ITAは皮膚のトーンタイプを推定し、データセットのバランスのためにターゲットのトーンに自動的に調整するために使用される。 本手法の有効性をISIC 2019データセットで検証した。
• 参考スコア（独自算出の注目度）: 2.8269946628069262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works have shown that deep learning based skin lesion image classification models trained on unbalanced dataset can exhibit bias toward protected demographic attributes such as race, age,and gender. Current bias mitigation methods usually either achieve high level of fairness with the degradation of accuracy, or only improve the model fairness on a single attribute. Additionally usually most bias mitigation strategies are either pre hoc through data processing or post hoc through fairness evaluation, instead of being integrated into the model learning itself. To solve these existing drawbacks, we propose a new Individual Typology Angle (ITA) Loss-based skin tone normalization and data augmentation method that directly feeds into an adaptable meta learning-based joint channel pruning framework. In skin tone normalization, ITA is used to estimate skin tone type and adjust automatically to target tones for dataset balancing. In the joint channel pruning framework, two nested optimization loops are used to find critical channels.The inner optimization loop finds and prunes the local critical channels by weighted soft nearest neighbor loss, and the outer optimization loop updates the weight of each attribute using group wise variance loss on meta-set. Experiments conducted in the ISIC2019 dataset validate the effectiveness of our method in simultaneously improving the fairness of the model on multiple sensitive attributes without significant degradation of accuracy. Finally, although the pruning mechanism adds some computational cost during training phase, usually training is done off line. More importantly,
• Abstract（参考訳）: 近年の研究では、非バランスデータセットで訓練された深層学習に基づく皮膚病変画像分類モデルが、人種、年齢、性別などの保護された人口特性に偏りを示すことが示されている。 現在のバイアス緩和法は、通常、精度の低下によって高い公平性を達成するか、1つの属性のモデル公正性だけを改善するかのどちらかである。 さらに、たいていのバイアス軽減戦略は、データ処理によるプレホックか、公正性評価によるポストホックのどちらかであり、モデル学習自体に統合されることはない。 既存の欠点を解決するために,新しい個別型付けアングル (ITA) のロスに基づくスキントーン正規化とデータ拡張手法を提案し,適応性のあるメタラーニングベースのジョイントチャネルプルーニングフレームワークに入力する。 皮膚のトーン正規化では、ITAは皮膚のトーンタイプを推定し、データセットのバランスのためにターゲットのトーンに自動的に調整するために使用される。 共同チャネルプルーニングフレームワークでは,2つのネスト最適化ループを用いて臨界チャネルを見つける。内部最適化ループは,重み付きソフト近接損失により局所臨界チャネルを検出しプーンし,外部最適化ループは,メタセット上のグループワイズ分散損失を用いて各属性の重みを更新する。 ISIC2019データセットで行った実験は、精度を著しく低下させることなく、複数の感度属性に対するモデルの公平性を同時に改善する手法の有効性を検証した。 最後に、プルーニング機構はトレーニングフェーズ中にある程度の計算コストを加えるが、通常トレーニングはオフラインで行われる。 さらに重要なこと。

関連論文リスト

• SWiFT: Soft-Mask Weight Fine-tuning for Bias Mitigation [12.770721233121984]
  近年の研究では、機械学習(ML)モデルが現実のシナリオに偏りを示すことが示されている。 識別性能を保ちながら公平性を効果的に向上する脱バイアスフレームワークであるSoft-Mask Weight Fine-Tuning (SWiFT)を提案する。
  論文  参考訳（メタデータ） (2025-08-26T09:03:18Z)
• BOOST: Out-of-Distribution-Informed Adaptive Sampling for Bias Mitigation in Stylistic Convolutional Neural Networks [8.960561031294727]
  AIにおけるバイアスは、分類を描く上で重要な課題を示しており、これらのシステムがアートキュレーションや修復といったタスクにますます統合されるにつれて、より深刻なものになっている。 BOOSTと呼ばれる新しいOODインフォームドモデルバイアス適応サンプリング法を提案する。 提案したKaoKoreデータセットとPACSデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-07-08T22:18:36Z)
• Gradient Extrapolation for Debiased Representation Learning [7.183424522250937]
  GERNE(Gradient Extrapolation for Debiased Representation Learning)は、未知の属性トレーニングケースと未知の属性トレーニングケースの両方において、バイアス付き表現を学習するように設計されている。 解析の結果,外挿した勾配がバッチ勾配に向けられた場合,緩やかな相関が小さくなると,脱バイアスモデルを学ぶためのトレーニングを効果的に導くことが示唆された。
  論文  参考訳（メタデータ） (2025-03-17T14:48:57Z)
• 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)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。