論文の概要: DuetFair: Coupling Inter- and Intra-Subgroup Robustness for Fair Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.10521v1
• Date: Mon, 11 May 2026 13:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.832615
• Title: DuetFair: Coupling Inter- and Intra-Subgroup Robustness for Fair Medical Image Segmentation
• Title（参考訳）: DuetFair: 公平な医用画像分割のためのグループ間ロバストネスとサブグループ間ロバストネスの結合
• Authors: Yiqi Tian, Sangjoon Park, Bo Zeng, Pengfei Jin, Yujin Oh, Quanzheng Li,
• Abstract要約: textbfDuetFairメカニズムはサブグループ間の適応とサブグループ間のロバスト性を考慮する。 textbfFairDROは、dMoE(distributment-aware mixed-of-experts)とサブグループ条件の分散ロバスト最適化(distributmentally robust optimization、DRO)のロスアグリゲーションを組み合わせる。 FairDROはHarvard-FairSegの株式規模で最高のパフォーマンスを達成し、HAM10000の最悪のサブグループのパフォーマンスを、年齢と人種ベースのグループ方式の両方で改善する。
• 参考スコア（独自算出の注目度）: 13.716099881534367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation models can perform unevenly across subgroups. Most existing fairness methods focus on improving average subgroup performance, implicitly treating each subgroup as internally homogeneous. However, this can hide difficult cases within a subgroup, where high-loss samples are obscured by the subgroup mean. We call this problem \textbf{intra-group hidden failure}. To solve this, we propose \textbf{DuetFair} mechanism, a dual-axis fairness framework that jointly considers inter-subgroup adaptation and intra-subgroup robustness. Based on DuetFair, we introduce \textbf{FairDRO}, which combines distribution-aware mixture-of-experts (dMoE) with subgroup-conditioned distributionally robust optimization (DRO) loss aggregation. This design allows the model to adapt across subgroups while also reducing hidden failures within each subgroup. We evaluate FairDRO on three medical image segmentation benchmarks with varying degrees of within-group heterogeneity. FairDRO achieves the best equity-scaled performance on Harvard-FairSeg and improves worst-case subgroup performance on HAM10000 under both age- and race-based grouping schemes. On the 3D radiotherapy target cohort, FairDRO further improves worst-group Dice by 3.5 points ($\uparrow 6.0\%$) under the tumor-stage grouping and by 4.1 points ($\uparrow 7.4\%$) under the institution grouping over the strongest baseline.
• Abstract（参考訳）: 医用画像セグメンテーションモデルは、サブグループ間で不均一に実行できる。 既存のフェアネス法の多くは、平均的な部分群のパフォーマンスの改善に焦点を合わせ、各部分群を内部的同種として暗黙的に扱う。 しかし、これは、高損失サンプルが部分群平均によって隠蔽されるような、部分群内の難しいケースを隠蔽することができる。 この問題を textbf{intra-group hidden failure} と呼ぶ。 この問題を解決するために、サブグループ間適応とサブグループ間ロバスト性について共同で検討する二重軸フェアネスフレームワークである「textbf{DuetFair}」機構を提案する。 DuetFair をベースとして,dMoE (distributment-aware mixed-of-experts) とサブグループ条件の分散ロバストな最適化 (distributmentally robust optimization, DRO) の損失アグリゲーションを組み合わせた \textbf{FairDRO} を導入する。 この設計により、モデルはサブグループにまたがって適応でき、また各サブグループ内の隠れた障害を減らすことができる。 医用画像セグメンテーションベンチマークのFairDROの評価を行った。 FairDROはHarvard-FairSegの株式規模で最高のパフォーマンスを達成し、HAM10000の最悪のサブグループのパフォーマンスを、年齢と人種ベースのグループ方式の両方で改善する。 3D放射線療法の対象コホートでは、腫瘍ステージ群では、最悪のグループDiceをさらに3.5ポイント(\uparrow 6.0\%$)、最強基準群では4.1ポイント(\uparrow 7.4\%$)改善している。

関連論文リスト

• 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)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• Improved Group Robustness via Classifier Retraining on Independent Splits [6.930560177764658]
  群分布的ロバスト最適化は、強力な最悪群性能を持つ学習モデルのベースラインとして広く使われている。 本稿では,トレーニングデータの独立分割に基づくリトレーニングのアイデアに基づいて,簡単な手法を設計する。 新たなサンプル分割手法を用いることで、微調整工程において、ロバストな最悪のグループ性能が得られることが判明した。
  論文  参考訳（メタデータ） (2022-04-20T16:22:27Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Just Train Twice: Improving Group Robustness without Training Group Information [101.84574184298006]
  経験的リスク最小化による標準トレーニングは、特定のグループにおける平均的かつ低い精度で高い精度を達成するモデルを生成することができる。 群分布的ロバストな最適化 (group DRO) のような、最悪のグループ精度を達成する以前のアプローチでは、トレーニングポイントごとに高価なグループアノテーションが必要である。 本稿では,複数のエポックに対して標準的なERMモデルを訓練し,第1モデルが誤分類したトレーニング例を重み付けする第2モデルを訓練する,単純な2段階のアプローチであるJTTを提案する。
  論文  参考訳（メタデータ） (2021-07-19T17:52:32Z)
• Robust subgroup discovery [0.2578242050187029]
  最小記述長原理を用いて最適ロバスト部分群発見の問題を定式化する。 RSDは、良いサブグループリストを見つけ、各イテレーションで最も重要なサブグループが追加されたことを保証します。 我々は,rsdが従来のサブグループ集合発見法を上回っている54のデータセットを,品質とサブグループリストサイズの観点から実証的に示す。
  論文  参考訳（メタデータ） (2021-03-25T09:04:13Z)
• Model Patching: Closing the Subgroup Performance Gap with Data Augmentation [50.35010342284508]
  機械学習モデルの堅牢性を改善するためのフレームワークであるモデルパッチを導入する。 モデルパッチは、サブグループの違いに対してモデルを不変にすることを奨励し、サブグループによって共有されるクラス情報にフォーカスする。 CAMELは,(1)CycleGANを用いてクラス内およびサブグループ間拡張を学習し,(2)理論上動機付けられた整合性正規化器を用いてサブグループ性能のバランスをとる。 CAMELの有効性を3つのベンチマークデータセットで示し、最高のベースラインに対して、ロバストなエラーを最大33%削減した。
  論文  参考訳（メタデータ） (2020-08-15T20:01:23Z)

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。