論文の概要: Fairness Beyond Demographics: Optimizing Performance Across Appearance-Based Hidden Cohorts in Medical Imaging
- arxiv url: http://arxiv.org/abs/2605.29827v1
- Date: Thu, 28 May 2026 12:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.222824
- Title: Fairness Beyond Demographics: Optimizing Performance Across Appearance-Based Hidden Cohorts in Medical Imaging
- Title（参考訳）: デモグラフィーを超えたフェアネス:医用画像における外見に基づく隠れコホート全体のパフォーマンスの最適化
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.646042362182866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image analysis models can exhibit performance disparities across patient subgroups, threatening clinical safety and fairness. Existing methods typically address this issue by optimizing accuracy and fairness metrics for visible demographic attributes (e.g., sex or age) considered in isolation. This strategy not only overlooks potentially more informative latent stratifications, which may reveal deeper sources of model error and inequity, but also fails to scale when multiple demographic attributes are considered simultaneously due to the resulting sparsity of training data within each subgroup. We deal with these issues by introducing the label-free hidden-cohort fairness (LHCF) training paradigm that instead of maximizing fairness over visible demographic attributes, it optimizes fairness across latent subpopulations discovered from image appearance. By clustering images into K appearance-based cohorts and applying fairness optimization over them, LHCF uncovers underlying sources of model error and avoids the combinatorial sparsity of multi-demographic attributes, reducing disparities across both single and multiple demographic attributes. We demonstrate on our proposed fairness benchmark, HIDFairBench, that LHCF provides state-of-the-art fairness results on single and multiple demographic attributes, despite never using demographic labels for training. Our results position hidden-cohort fairness as a practical, scalable, and robust alternative to demographic-based fairness optimization for trustworthy medical image analysis.
- Abstract（参考訳）: 医用画像解析モデルは、患者サブグループ間でパフォーマンス格差を示し、臨床安全性と公正性を脅かす。
既存の手法では、個別に考慮された可視的人口統計属性(例えば、性別、年齢)の精度と公平度を最適化することでこの問題に対処する。
この戦略は、モデルエラーと不平等のより深い情報源を明らかにするために、潜在的に有意義な潜在層を見落としているだけでなく、各サブグループ内のトレーニングデータのばらつきにより、複数の階層属性が同時に考慮される場合、スケールすることができない。
ラベルのない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ことでこれらの問題に対処する。
イメージをKの外観に基づくコホートにクラスタ化し、それらに対して公平性最適化を適用することで、LHCFはモデルエラーの根本原因を明らかにし、マルチデミノグラフィー属性の組合せ空間性を避け、単一属性と複数属性の相違を低減する。
提案したフェアネスベンチマークであるHIDFairBenchでは、LHCFは、トレーニングに人口統計ラベルを使用しないにもかかわらず、単一および複数の人口統計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。
以上の結果から,隠れコホートフェアネスは,信頼に値する医用画像解析のための,人口動態に基づくフェアネス最適化に代わる実用的でスケーラブルで堅牢な代替手段として位置づけた。
関連論文リスト
- 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) - 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 Group-Level Fairness Disparities in Federated Visual Language Models [115.16940773660104]
本稿では、FLと公正なプロンプトチューニング技術を組み合わせた新しいフレームワークであるFVL-FPを紹介する。
モデル性能を維持しながら、人口統計バイアスを軽減することに注力する。
本手法は,標準FL法に比べて平均45%の人口格差を減少させる。
論文 参考訳（メタデータ） (2025-05-03T16:09:52Z) - 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) - Using Backbone Foundation Model for Evaluating Fairness in Chest Radiography Without Demographic Data [2.7436483977171333]
本研究の目的は,基礎モデルのバックボーンを埋め込み抽出器として用いることの有効性を検討することである。
我々は,これらのグループを,前処理,内処理,評価など,様々な段階のバイアス軽減に活用することを提案する。
論文 参考訳（メタデータ） (2024-08-28T20:35:38Z) - Class-Balancing Diffusion Models [57.38599989220613]
クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。
提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-30T20:00:14Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-16T15:05:49Z)
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。