論文の概要: Towards Fairness under Label Bias in Image Segmentation: Impact, Measurement and Mitigation

• arxiv url: http://arxiv.org/abs/2605.06891v1
• Date: Thu, 07 May 2026 19:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.58744
• Title: Towards Fairness under Label Bias in Image Segmentation: Impact, Measurement and Mitigation
• Title（参考訳）: イメージセグメンテーションにおけるラベルバイアスの公平性:影響, 測定, 緩和
• Authors: Aditya Parikh, Stella Frank, Sneha Das, Aasa Feragen,
• Abstract要約: ラベル付きデータセットはアノテーションパイプラインのバイアスを反映します。 本稿では,信頼学習のセグメンテーションへのデータ中心の適応を提案し,トレーニングデータから直接ラベルバイアスを検出する。 クリーンラベルへのアクセスなしに,我々のフレームワークがいかに確実にバイアスを検出し,緩和するかを示す。
• 参考スコア（独自算出の注目度）: 10.15221228043609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeled datasets reflect the biases of their annotation pipelines, which sometimes introduce label bias: group-conditional label errors that cause systematic performance disparities across demographic subgroups. Label bias in image segmentation remains underexplored, as even detecting it typically requires clean, unbiased annotations, which are not readily available. We present a data-centric adaptation of Confident Learning to segmentation, allowing detection of label bias directly in the training data without a clean, unbiased ground truth. By comparing the provided training labels to the model's confident predictions, we isolate directional errors that quantify the presence and nature of bias, where standard overlap metrics like Dice fail. We further show that label bias influences subgroup separability in the encoder's feature space, an artifact we leverage for bias mitigation rather than suppressing it. We evaluate three datasets, spanning from synthetic to real-life bias, showing how our framework reliably detects and mitigates bias without access to clean labels, achieving equitable performance across experimental conditions.
• Abstract（参考訳）: ラベル付きデータセットは、それらのアノテーションパイプラインのバイアスを反映し、時にはラベルバイアスが発生する。 イメージセグメンテーションにおけるラベルバイアスは、通常、クリーンで偏見のないアノテーションを必要とするため、未発見のままである。 我々は,信頼学習のセグメンテーションへのデータ中心の適応を提案し,クリーンで偏見のない基底真理を伴わずにトレーニングデータにラベルバイアスを直接検出する。 提供されるトレーニングラベルとモデルの確実な予測を比較することで、Diceのような標準的な重複メトリクスが失敗するバイアスの存在と性質を定量化するための方向性エラーを分離します。 さらに,ラベルバイアスがエンコーダの特徴空間における部分群分離性に影響を及ぼすことを示す。 我々は3つのデータセットを合成から実生活へのバイアスから評価し、我々のフレームワークがクリーンラベルにアクセスせずに確実にバイアスを検出し、緩和し、実験条件で同等のパフォーマンスを達成する方法を示した。

関連論文リスト

• Detecting labeling bias using influence functions [1.9276091419970947]
  影響関数はラベル付けバイアスを検出するのに使える。 サンプル評価パイプラインを開発し、まずMNISTデータセット上でテストする。 CheXpertでは、ラベルのずれたサンプルは、常に高い影響率を示す。
  論文  参考訳（メタデータ） (2026-02-22T11:20:35Z)
• Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation [120.97262070068224]
  マルチラベル学習(MLL)は,実世界のデータ表現能力に注目されている。 ラベル分布学習(LDL)は正確なラベル分布の収集において課題に直面している。
  論文  参考訳（メタデータ） (2025-02-03T09:04:03Z)
• Mitigating Label Bias in Machine Learning: Fairness through Confident Learning [22.031325797588476]
  偏見のないラベルが潜在的なバイアスを持つエージェントによって上書きされると、識別が生じることがある。 本稿では,自信ある学習の枠組みの中で,最も公平なインスタンスをフィルタリングすることで,バイアスを排除できることを実証する。
  論文  参考訳（メタデータ） (2023-12-14T08:55:38Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• More Data Can Lead Us Astray: Active Data Acquisition in the Presence of Label Bias [7.506786114760462]
  提案されたバイアス緩和戦略は、一般的に観察されたラベルに示されるバイアスを見落としている。 まず,教師あり学習システムのコンテキストにおけるラベルバイアスについて概説する。 次に、ラベルバイアスを見渡すと、より多くのデータを集めることでバイアスが増大し、データ収集プロセスで観測されたラベルに依存する公正な制約が問題に対処できないことを実証的に示します。
  論文  参考訳（メタデータ） (2022-07-15T19:30:50Z)
• Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
  自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。 既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。 本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T23:40:28Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。