論文の概要: FairEnc: A Fair Vision-Language Model with Fair Vision and Text Encoders for Glaucoma Detection

• arxiv url: http://arxiv.org/abs/2605.04882v1
• Date: Wed, 06 May 2026 13:18:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.829157
• Title: FairEnc: A Fair Vision-Language Model with Fair Vision and Text Encoders for Glaucoma Detection
• Title（参考訳）: FairEnc:緑内障検出のためのフェアビジョンとテキストエンコーダを備えたフェアビジョン言語モデル
• Abstract要約: 視覚言語モデル(VLM)のための公正事前学習法であるFairEncを提案する。 FairEncは、人種、性別、民族、言語などのセンシティブな属性に関して、テキストと視覚の両方の偏見を緩和する。 公開されているHarvard-FairVLMedデータセットの実験は、FairEncが人口格差を効果的に低減していることを示している。
• 参考スコア（独自算出の注目度）: 3.244353792776956
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Automated glaucoma detection is critical for preventing irreversible vision loss and reducing the burden on healthcare systems. However, ensuring fairness across diverse patient populations remains a significant challenge. In this paper, we propose FairEnc, a fair pretraining method for vision-language models (VLMs) that enables simultaneous debiasing across multiple sensitive attributes. FairEnc jointly mitigates biases in both textual and visual modalities with respect to multiple sensitive attributes, including race, gender, ethnicity, and language. Specifically, for the textual encoder, we leverage a large language model to generate synthetic clinical descriptions with varied sensitive attributes while preserving disease semantics, and employ a contrastive alignment objective to encourage demographic-invariant representations. For the visual encoder, we propose a dual-level fairness strategy that combines mutual information regularization to reduce statistical dependence between learned features and demographic groups, with multi-discriminator adversarial debiasing. Comprehensive experiments on the publicly available Harvard-FairVLMed dataset demonstrate that FairEnc effectively reduces demographic disparity as measured by DPD and DEOdds while achieving strong diagnostic performance under both zero-shot and linear probing evaluations. Additional experiments on the private FairFundus dataset show that FairEnc consistently preserves fairness advantages under cross-domain and cross-modality settings and maintains diagnostic performance within a competitive range. These results highlight FairEnc's ability to generalize fairness under distribution shifts, supporting its potential for more equitable deployment in real-world clinical settings. Our codebase and synthetic clinical notes are available at https://github.com/Mohamed-Elhabebe/FairEnc
• Abstract（参考訳）: 緑内障の自動検出は、不可逆的な視力喪失を予防し、医療システムの負担を軽減するために重要である。 しかし、多様な患者集団の公平性の確保は依然として大きな課題である。 本稿では,視覚言語モデル(VLM)の公正事前学習手法であるFairEncを提案する。 FairEncは、人種、性別、民族、言語など、複数の敏感な属性に関して、テキストと視覚の両方の偏見を共同で緩和する。 具体的には, テキストエンコーダにおいて, 大言語モデルを用いて, 病的意味を保ちながら, 様々な感度の属性を持つ合成臨床記述を生成し, 集団的不変表現を促進するために, コントラスト的アライメントの目的を用いる。 視覚的エンコーダに対しては,学習特徴と人口集団間の統計的依存を減らすために,相互情報正規化を併用した二重レベルフェアネス戦略を提案する。 公開されているHarvard-FairVLMedデータセットに関する総合的な実験により、FairEncは、ゼロショットとリニアなプローブ評価の両方で強力な診断性能を達成しつつ、PDとDECddsの測定による人口格差を効果的に低減することを示した。 プライベートなFairFundusデータセットに関するさらなる実験によると、FairEncはクロスドメインとクロスモダリティ設定の下で一貫してフェアネスの優位性を保ち、競合範囲内で診断性能を維持する。 これらの結果は、FairEncが分布シフトの下で公正性を一般化する能力を強調しており、実際の臨床環境でのより公平なデプロイメントの可能性を支持している。 私たちのコードベースと合成臨床ノートはhttps://github.com/Mohamed-Elhabebe/FairEncで公開されています。

関連論文リスト

• FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection [60.2868121662026]
  既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。 我々は、バランスの取れない人口シナリオと不均衡な人口シナリオの両方の下で、検出器の公平性を訓練し、評価するために、新しい人口動態バランスFDDベンチマークを構築した。 また,FairForensicsと呼ばれる新しい表現と階層型視覚言語モデルを導入する。
  論文  参考訳（メタデータ） (2026-08-03T03:51:14Z)
• Fairness Beyond Demographics: Optimizing Performance Across Appearance-Based Hidden Cohorts in Medical Imaging [9.646042362182866]
  医用画像解析のためのラベルフリー隠れコホートフェアネス(LHCF)トレーニングパラダイムを導入する。 LHCFは画像の外観から発見された潜伏する亜集団の公平性に焦点を当てている。 提案したフェアネスベンチマークであるHIDFairBenchでは、LHCFが単一および複数階層の属性に対して最先端のフェアネス結果を提供することを示した。
  論文  参考訳（メタデータ） (2026-05-28T12:07:24Z)
• FairLLaVA: Fairness-Aware Parameter-Efficient Fine-Tuning for Large Vision-Language Assistants [12.849143597169801]
  マルチモーダルな大言語モデル(MLLM)は、人口集団間で不均一なパフォーマンスを示し、公正なリスクを強調します。 視覚的インストラクションチューニングにおけるグループ差を緩和するパラメータ効率の良い微調整法であるFairLLaVAを紹介する。 大規模な胸部X線撮影報告と皮膚内視鏡的視覚質問応答ベンチマークの実験により,FairLLaVAは群間格差を一貫して減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-27T01:55:14Z)
• Fairness in Multi-modal Medical Diagnosis with Demonstration Selection [45.767489124851814]
  人口動態的バランスと意味論的関連性のあるデモを構築するフェアネス・アウェア・デモ・セレクション(FADS)を提案する。 FADSは、性別、人種、民族に関する格差を一貫して減らし、高い精度を維持している。 これらの結果は、公平な医用画像推論のためのスケーラブルでデータ効率のよいソリューションとして、フェアネスを意識したコンテキスト内学習の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-20T02:38:00Z)
• Achieving Fairness Without Harm via Selective Demographic Experts [16.212815178841087]
  バイアス緩和技術は、公平性と正確性の間にトレードオフを課すことが多い。 臨床診断のような高い領域では、そのようなトレードオフは倫理的にも現実的にも受け入れられない。 我々は、異なる人口集団の異なる表現を学習し、公平で無害なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-09T09:11:02Z)
• Estimating Commonsense Plausibility through Semantic Shifts [66.06254418551737]
  セマンティックシフトを測定することでコモンセンスの妥当性を定量化する新しい識別フレームワークであるComPaSSを提案する。 2種類の細粒度コモンセンス可視性評価タスクの評価は,ComPaSSが一貫してベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-19T06:31:06Z)
• FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification [3.615240611746158]
  FairREAD (Fair Refusion After Disentanglement) は, センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和するフレームワークである。 FairREADは、臨床に関係のある詳細を保存するために、制御された再灌流機構を使用しながら、人口統計情報をアンタングルする敵の訓練を採用している。 大規模臨床X線データセットの総合的評価は、FairREADが診断精度を維持しながら不公平度指標を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-12-20T22:17:57Z)
• FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
  提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。 具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
  論文  参考訳（メタデータ） (2024-10-23T04:43:03Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)

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。