論文の概要: Towards Fair and Robust Volumetric CT Classification via KL-Regularised Group Distributionally Robust Optimisation

• arxiv url: http://arxiv.org/abs/2603.15941v1
• Date: Mon, 16 Mar 2026 21:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.005281
• Title: Towards Fair and Robust Volumetric CT Classification via KL-Regularised Group Distributionally Robust Optimisation
• Title（参考訳）: KL-regularized group Distributionally RobusttimizationによるFair and Robust Volumetric CTの分類に向けて
• Authors: Samuel Johnny, Blessed Guda, Frank Ebeledike, Goodness Obasi, Moise Busogi,
• Abstract要約: 臨床展開における2つの課題に対処する: 買収サイト間の分配シフトと、人口動態サブグループ間のパフォーマンス格差。 我々のフレームワークは、軽量なMobileViT-XXSスライスエンコーダと、ボリューム推論のための2層SliceTransformerアグリゲータを組み合わせたものである。 タスク1では、最高の設定が0.835のチャレンジF1を達成する。 Task 2 では、 = 0.5 の群 DRO が 0.815 の平均1個あたりのマクロ F1 を達成し、+11.1 pp で最高のチャレンジエントリーを上回り、Fo-cal で女性Squamous F1 を+17.4 で改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated diagnosis from chest computed tomography (CT) scans faces two persistent challenges in clinical deployment: distribution shift across acquisition sites and performance disparity across demographic subgroups. We address both simultaneously across two complementary tasks: binary COVID-19 classification from multi-site CT volumes (Task 1) and four-class lung pathology recognition with gender-based fairness constraints (Task 2). Our framework combines a lightweight MobileViT-XXS slice encoder with a two-layer SliceTransformer aggregator for volumetric reasoning, and trains with a KL-regularised Group Distributionally Robust Optimisation (Group DRO) objective that adaptively upweights underperforming acquisition centres and demographic subgroups. Unlike standard Group DRO, the KL penalty prevents group weight collapse, providing a stable balance between worst-case protection and average performance. For Task 2, we define groups at the granularity of gender class, directly targeting severely underrepresented combinations such as female Squamous cell carcinoma. On Task 1, our best configuration achieves a challenge F1 of 0.835, surpassing the best published challenge entry by +5.9. On Task 2, Group DRO with α = 0.5 achieves a mean per-gender macro F1 of 0.815, outperforming the best challenge entry by +11.1 pp and improving Female Squamous F1 by +17.4 over the Fo- cal Loss baseline.
• Abstract（参考訳）: 胸部CTスキャンによる自動診断は, 臨床展開における2つの課題に直面する。 本研究は,多部位CTボリューム(Task1)からのバイナリCOVID-19分類と,性別による公正度制約による4クラス肺病理診断(Task2)の2つの相補的タスクに同時に対処する。 我々のフレームワークは、軽量なMobileViT-XXSスライスエンコーダとボリューム推論のための2層SliceTransformerアグリゲータを組み合わせ、KL正規化グループ分散ロバスト最適化(Group DRO)を目標とし、取得センタや人口統計サブグループを順応的に向上させる。 通常のグループDROとは異なり、KLのペナルティは集団の重量の崩壊を防ぎ、最悪のケースの保護と平均性能のバランスを安定させる。 第2タスクでは, 女性扁平上皮癌など, 表現力に乏しい組み合わせを直接ターゲットとして, 性別階層の粒度でグループを定義した。 タスク1では、最高の設定が0.835のチャレンジF1を達成する。 第2タスク2では、 α = 0.5 の群 DRO が 0.815 のジェンダー当たりのマクロ F1 を平均して達成し、Fo-cal Loss ベースラインを上回り、+11.1 pp で最高の挑戦エントリーを達成し、女性Squamous F1 を+17.4 で改善した。

関連論文リスト

• Fair Lung Disease Diagnosis from Chest CT via Gender-Adversarial Attention Multiple Instance Learning [6.302369456012738]
  胸部CTボリュームからの多型肺疾患診断のためのフェアネス・アウェア・フレームワークについて検討した。 この課題は、CTスキャンを健康、新型コロナウイルス、腺癌、扁平上皮癌という4つのカテゴリに分類する必要がある。 我々のアプローチは、何百ものスライスにまたがるまばらな病理信号と、病気の階級と性別にまたがる深刻な人口不均衡の2つの問題に対処する。
  論文  参考訳（メタデータ） (2026-03-13T13:42:52Z)
• Group Distributionally Robust Optimization-Driven Reinforcement Learning for LLM Reasoning [45.86058898829962]
  Multi-Ad Distributionally Robust Optimization (GDRO)は、一様推論を超えて最適化第一のフレームワークである。 本稿では,EMA-debiased multiplicative-weight bandit samplerを用いて,周波数バイアスを伴わない集中的難易マージンと過度にハードなグループをターゲットとした2つの独立したGDROゲームと,グループ間のロールアウトをシャドウプライスコントローラで再配置し,固定平均予算下でのハードタスクの勾配分散低減を最大化するRollout-GDROを提案する。 Qを用いたDAPO 14.1kデータセット上でのフレームワークの検証
  論文  参考訳（メタデータ） (2026-01-27T07:10:41Z)
• Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction [3.860970992977915]
  術後合併症予測のための公平性を考慮したマルチタスク学習フレームワークを提案する。 FAIR-MTLはデータ駆動型サブグループ推論機構を採用している。 AUCは0.86であり、75%の精度でシングルタスクベースラインを上回り、バイアスを大幅に低減する。
  論文  参考訳（メタデータ） (2025-11-29T19:06:07Z)
• FAST-CAD: A Fairness-Aware Framework for Non-Contact Stroke Diagnosis [8.939811267715228]
  本稿では,FAST-CADを提案する。FAST-CADは,ドメイン・アドバイザリ・トレーニングと群分布的ロバストな最適化を組み合わせた理論的基盤を持つフレームワークである。 我々のアプローチは、領域適応とミニマックスフェアネス理論に基づいており、収束境界の保証とフェアネスを提供する。 実験により, 人口集団間の公平性を保ちながら, 診断性能が良好であることが確認された。
  論文  参考訳（メタデータ） (2025-11-12T01:40:58Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• CTC-DRO: Robust Optimization for Reducing Language Disparities in Speech Recognition [61.925178250628825]
  グループ分散ロバストな最適化(グループDRO)は、最悪のグループ損失を最小限に抑えてこの問題に対処するが、グループ損失がグループ間の性能差を誤って表すと失敗する。 CTC-DROは群重み更新をスムースにすることで群DRO目標の欠点に対処し,一貫した高損失群に対する過剰エンハンシスを防ぐ。
  論文  参考訳（メタデータ） (2025-02-03T19:29:42Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• AGRO: Adversarial Discovery of Error-prone groups for Robust Optimization [109.91265884632239]
  群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。 本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。 AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
  論文  参考訳（メタデータ） (2022-12-02T00:57:03Z)
• Contrastive Adapters for Foundation Model Group Robustness [11.961187296775185]
  既存のロバスト性を改善するには再訓練が必要であるが、これは大規模な基礎モデルでは違法に高価である。 そこで本研究では,コントラスト学習を伴うアダプタを訓練し,それらの接地構造クラス埋め込みと,同じクラスに他のサンプル埋め込みの両方に近接してサンプル埋め込みをもたらすことを提案する。 提案手法は群ロバスト性を常に改善し,ゼロショットよりも最悪のグループ精度を8.5～56.0ppに向上させる。
  論文  参考訳（メタデータ） (2022-07-14T19:40:55Z)

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。