論文の概要: Fairness-Aware Partial-label Domain Adaptation for Voice Classification of Parkinson's and ALS

• arxiv url: http://arxiv.org/abs/2602.18535v1
• Date: Fri, 20 Feb 2026 11:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.147435
• Title: Fairness-Aware Partial-label Domain Adaptation for Voice Classification of Parkinson's and ALS
• Title（参考訳）: パーキンソン病とALSの音声分類のためのフェアネスを考慮した部分ラベルドメイン適応
• Authors: Arianna Francesconi, Zhixiang Dai, Arthur Stefano Moscheni, Himesh Morgan Perera Kanattage, Donato Cappetta, Fabio Rebecchi, Paolo Soda, Valerio Guarrasi, Rosa Sicilia, Mary-Anne Hartley,
• Abstract要約: 音声ベースのデジタルバイオマーカーは、スケーラブルで非侵襲的なパーキンソン病(PD)と筋萎縮性側索硬化症(ALS)のスクリーニングとモニタリングを可能にする しかしながら、あるコホートやデバイスでトレーニングされたモデルは、クロスデバイスとクロスコホートドメインシフトのために、新しい取得設定で失敗することが多い。 部分的に重なり合うコホートから3クラス(ヘルス/PD/ALS)のクロスドメイン音声分類を統一するためのハイブリッドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.7168966099863086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Voice-based digital biomarkers can enable scalable, non-invasive screening and monitoring of Parkinson's disease (PD) and Amyotrophic Lateral Sclerosis (ALS). However, models trained on one cohort or device often fail on new acquisition settings due to cross-device and cross-cohort domain shift. This challenge is amplified in real-world scenarios with partial-label mismatch, where datasets may contain different disease labels and only partially overlap in class space. In addition, voice-based models may exploit demographic cues, raising concerns about gender-related unfairness, particularly when deployed across heterogeneous cohorts. To tackle these challenges, we propose a hybrid framework for unified three-class (healthy/PD/ALS) cross-domain voice classification from partially overlapping cohorts. The method combines style-based domain generalization with conditional adversarial alignment tailored to partial-label settings, reducing negative transfer. An additional adversarial gender branch promotes gender-invariant representations. We conduct a comprehensive evaluation across four heterogeneous sustained-vowel datasets, spanning distinct acquisition settings and devices, under both domain generalization and unsupervised domain adaptation protocols. The proposed approach is compared against twelve state-of-the-art machine learning and deep learning methods, and further evaluated through three targeted ablations, providing the first cross-cohort benchmark and end-to-end domain-adaptive framework for unified healthy/PD/ALS voice classification under partial-label mismatch and fairness constraints. Across all experimental settings, our method consistently achieves the best external generalization over the considered evaluation metrics, while maintaining reduced gender disparities. Notably, no competing method shows statistically significant gains in external performance.
• Abstract（参考訳）: 音声ベースのデジタルバイオマーカーは、スケーラブルで非侵襲的なパーキンソン病(PD)と筋萎縮性側索硬化症(ALS)のスクリーニングとモニタリングを可能にする。 しかしながら、あるコホートやデバイスでトレーニングされたモデルは、クロスデバイスとクロスコホートドメインシフトのために、新しい取得設定で失敗することが多い。 この課題は、データセットに異なる疾患ラベルが含まれ、クラス空間で部分的に重複するのみを含む、部分ラベルミスマッチによる現実のシナリオで増幅される。 さらに、音声ベースのモデルは人口統計の手がかりを活用でき、特に異種コホートにまたがる場合、性別に関する不公平を懸念する。 これらの課題に対処するために、部分的に重なり合うコホートから3クラス(健康/PD/ALS)のクロスドメイン音声分類を統一するためのハイブリッドフレームワークを提案する。 この方法は、スタイルベースのドメイン一般化と、部分ラベル設定に合わせた条件付き逆アライメントを組み合わせることで、負の転送を減らす。 追加の逆性分岐は、性別不変表現を促進する。 ドメインの一般化と教師なしドメイン適応プロトコルの両方の下で、異種持続母音データセットを網羅的に評価し、異なる取得設定とデバイスにまたがる。 提案手法は,12種類の最先端の機械学習および深層学習手法と比較し,さらに3つの目標達成を通じて評価し,部分ラベルミスマッチとフェアネス制約の下での健全/PD/ALS音声分類のための最初のクロスコホートベンチマークとエンドツーエンドドメイン適応フレームワークを提供する。 本手法は, 男女差の低減を図りながら, 評価指標に対して最高の外部一般化を常に達成している。 特に、競合する手法は、外部性能の統計的に有意な向上を示すものではない。

関連論文リスト

• Improving Generalizability of Hip Fracture Risk Prediction via Domain Adaptation Across Multiple Cohorts [15.756482189835566]
  我々は,3つの大コホートにまたがる臨床およびDXA由来の特徴の共有セットを用いて,3つのドメイン適応法の性能評価を行った。 男性のみのソースコホートでは、ドメイン適応法は非適応ベースラインよりも一貫して性能が向上した。 結果のないアプローチにより、現実的な展開条件下でのモデル選択が可能となり、股関節骨折リスク予測におけるモデルの一般化が向上する。
  論文  参考訳（メタデータ） (2026-02-20T03:37:05Z)
• Channel Selected Stratified Nested Cross Validation for Clinically Relevant EEG Based Parkinsons Disease Detection [2.384534878752428]
  ネストしたクロスバリデーションと3つの相補的なセーフガードを組み込んだ統合評価フレームワークを提案する。 この枠組みの下で訓練された畳み込みニューラルネットワークは、80.6%の精度を達成し、集団ブロックテストが実施されている技術性能の状態を実証した。
  論文  参考訳（メタデータ） (2025-12-28T23:34:38Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Mitigating Group Bias in Federated Learning for Heterogeneous Devices [1.181206257787103]
  フェデレートラーニング(Federated Learning)は、分散エッジアプリケーションにおけるプライバシ保護モデルトレーニングアプローチとして登場している。 本研究は,プライバシを維持しながら,資源利用のオーバーヘッドを伴わずにグループバイアスを最小限に抑えるグループフェアFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-13T16:53:48Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。