論文の概要: MultiFair: Multimodal Balanced Fairness-Aware Medical Classification with Dual-Level Gradient Modulation

• arxiv url: http://arxiv.org/abs/2510.07328v1
• Date: Tue, 30 Sep 2025 20:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.614589
• Title: MultiFair: Multimodal Balanced Fairness-Aware Medical Classification with Dual-Level Gradient Modulation
• Title（参考訳）: MultiFair: Dual-Level Gradient Modulation を用いたマルチモーダルバランスフェアネスの医療分類
• Authors: Md Zubair, Hao Zheng, Nussdorf Jonathan, Grayson W. Armstrong, Lucy Q. Shen, Gabriela Wilson, Yu Tian, Xingquan Zhu, Min Shi,
• Abstract要約: MultiFairは最先端のマルチモーダル学習やフェアネス学習よりも優れています。 本稿ではマルチモーダル医療分類のための新しいアプローチであるMultiFairを提案する。
• 参考スコア（独自算出の注目度）: 15.350984888077141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical decision systems increasingly rely on data from multiple sources to ensure reliable and unbiased diagnosis. However, existing multimodal learning models fail to achieve this goal because they often ignore two critical challenges. First, various data modalities may learn unevenly, thereby converging to a model biased towards certain modalities. Second, the model may emphasize learning on certain demographic groups causing unfair performances. The two aspects can influence each other, as different data modalities may favor respective groups during optimization, leading to both imbalanced and unfair multimodal learning. This paper proposes a novel approach called MultiFair for multimodal medical classification, which addresses these challenges with a dual-level gradient modulation process. MultiFair dynamically modulates training gradients regarding the optimization direction and magnitude at both data modality and group levels. We conduct extensive experiments on two multimodal medical datasets with different demographic groups. The results show that MultiFair outperforms state-of-the-art multimodal learning and fairness learning methods.
• Abstract（参考訳）: 医療決定システムは、信頼性と偏りのない診断を保証するために、複数の情報源のデータにますます依存している。 しかし、既存のマルチモーダル学習モデルは、2つの重要な課題を無視しているため、この目標を達成することができない。 まず、様々なデータモダリティは不均一に学習し、それによって特定のモダリティに偏ったモデルに収束する。 第二に、このモデルは不公平なパフォーマンスを引き起こす特定の人口集団の学習を強調するかもしれない。 異なるデータモダリティは最適化時にそれぞれのグループを好んでおり、不均衡なマルチモーダル学習と不公平なマルチモーダル学習の両方をもたらす。 本稿では,マルチモーダル医療分類のためのMultiFairと呼ばれる新しいアプローチを提案する。 MultiFairは、データモダリティとグループレベルの両方において、最適化方向と大きさに関するトレーニング勾配を動的に変調する。 異なる人口集団を持つ2つのマルチモーダル医療データセットについて広範な実験を行った。 その結果、MultiFairは最先端のマルチモーダル学習やフェアネス学習よりも優れていた。

関連論文リスト

• CLIMD: A Curriculum Learning Framework for Imbalanced Multimodal Diagnosis [21.001994821490644]
  不均衡型マルチモーダル診断(CLIMD)のためのカリキュラム学習フレームワークを提案する。 具体的には、まず、モーダル内信頼度とモーダル間相補性を組み合わせたマルチモーダルカリキュラム尺度を設計し、モデルがキーサンプルに集中できるようにする。 プラグイン・アンド・プレイのCLフレームワークとして、CLIMDは他のモデルに容易に統合することができ、マルチモーダル病の診断精度を向上させるための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-03T05:25:12Z)
• Continual Multimodal Contrastive Learning [99.53621521696051]
  MCL(Multimodal Contrastive Learning)は、異なるモダリティを整列し、関節空間におけるマルチモーダル表現を生成する。 マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。 本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。 理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
  論文  参考訳（メタデータ） (2025-03-19T07:57:08Z)
• Multimodal Representation Learning by Alternating Unimodal Adaptation [73.15829571740866]
  MLA(Multimodal Learning with Alternating Unimodal Adaptation)を提案する。 MLAは、それを交互に一助学習プロセスに変換することで、従来の共同マルチモーダル学習プロセスを再構築する。 共有ヘッドを通じてモーダル間相互作用をキャプチャし、異なるモーダル間で連続的な最適化を行う。 実験は5つの多様なデータセットで行われ、完全なモダリティを持つシナリオと、欠落したモダリティを持つシナリオを含む。
  論文  参考訳（メタデータ） (2023-11-17T18:57:40Z)
• Improving Discriminative Multi-Modal Learning with Large-Scale Pre-Trained Models [51.5543321122664]
  本稿では,大規模な事前学習型ユニモーダルモデルを用いて,識別型マルチモーダル学習を向上する方法について検討する。 MMLoRA(Multi-Modal Low-Rank Adaptation Learning)を導入する。
  論文  参考訳（メタデータ） (2023-10-08T15:01:54Z)

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。