論文の概要: Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification

• arxiv url: http://arxiv.org/abs/2605.19214v1
• Date: Tue, 19 May 2026 00:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.042039
• Title: Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification
• Title（参考訳）: マルチ属性公平な医用画像分類のための最悪群等化オッドの規則化
• Authors: Nikhil Cherian Kurian, Victor Caquilpan Parra, Abin Shoby, Luke Whitbread, Lauren Oakden-Rayner, Robert Vandersluis, Jessica Schrouff, Lyle J. Palmer, Mark Jenkinson,
• Abstract要約: 最低群等化オードスマージン正規化器を提案する。 これは推論における真正と偽正の双方のサブグループレベルの偏差をターゲットにしている。 等化オッドと等化オッドの格差をAUCに最小限の影響で一貫して減少させる。
• 参考スコア（独自算出の注目度）: 2.811881431797407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnostic performance in medical AI varies systematically across demographic groups, yet subgroup AUC can mask clinically important disparities. At a fixed inference-time operating point, some groups may exhibit over-diagnostic behaviour, characterized by elevated true and false positive rates, while others show under-diagnostic patterns with reduced true and false positive rates. These opposing tendencies can cancel in aggregate AUCs while producing meaningful inequities in clinical decision-making. Motivated by the need to assess and mitigate such disparities at the operating point and across multiple demographic attributes simultaneously, we propose a worst-group equalized-odds margin regularizer. The proposed regularizer explicitly targets subgroup-level deviations on both the true positive and false positive sides at inference. At each update, the method identifies subgroups defined by explicit demographic attributes (e.g., age, sex, and race) that exhibit the most extreme margin deviations and applies a unified penalty, enabling fairness optimization across multiple demographic axes without requiring explicit intersectional constraints. Across two medical imaging datasets in realistic multi-label settings, our method consistently reduces disparities in Equalized Odds and Equalized Opportunity with minimal impact on AUC, preserving diagnostic performance while improving fairness.
• Abstract（参考訳）: 医療AIの診断性能は人口統計学的に異なるが、AUCは臨床的に重要な格差を隠蔽することができる。 一定時間動作点において、一部のグループは真偽陽性率の上昇を特徴とする過診断的行動を示し、一方、真偽陽性率の低下を伴う過診断的パターンを示す。 これらの対立する傾向は、臨床意思決定において有意義な不平等を生じさせながら、AUCをまとめてキャンセルすることができる。 動作点と複数の属性を同時に比較・緩和する必要性から, 最低群等化オードスマージン正規化器を提案する。 提案された正則化器は、推論における真正と偽正の両面における部分群レベルの偏差を明示的に対象とする。 各更新において、最も極端なマージン偏差を示す明示的な人口統計属性(例えば、年齢、性別、人種)によって定義されるサブグループを特定し、統一的なペナルティを適用し、明示的な交叉制限を必要とせずに複数の人口統計軸を公平に最適化することができる。 現実的なマルチラベル環境下での2つの医用画像データセットにおいて,同値化オッドと同値化オポチュニティの相違をAUCに最小限の影響で連続的に低減し,公平性を保ちながら診断性能を保った。

関連論文リスト

• Patient-Conditioned Adaptive Offsets for Reliable Diagnosis across Subgroups [11.237134615215977]
  我々は,共有診断モデルを維持しながらサブグループ信頼性を向上させる患者条件適応フレームワークであるHyperAdaptを紹介する。 複数の公開医用画像ベンチマークによる実験により、提案手法は、全体的な精度を犠牲にすることなく、サブグループレベルのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-19T14:33:41Z)
• 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)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• 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)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• 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)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。