論文の概要: False Confidence: Automated Labels Confound Fairness Audits in Cervical Spine Segmentation
- arxiv url: http://arxiv.org/abs/2607.07852v1
- Date: Wed, 08 Jul 2026 18:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.320484
- Title: False Confidence: Automated Labels Confound Fairness Audits in Cervical Spine Segmentation
- Title（参考訳）: False Confidence:Cervical Spine SegmentationにおけるFairness Auditsの自動評価
- Abstract要約: CSpineSeg データセットを用いた頚椎MRIの初回公平性検査を行った。
デプロイモデルは人口統計学的に公平であるが、参照ラベルの選択は中立ではない。
- 参考スコア（独自算出の注目度）: 5.607590231264275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated segmentation of cervical-spine MRI is increasingly used in clinical workflows, yet no fairness audit exists for this anatomy. We show that auditing these segmentation tasks is complicated by a common property of modern segmentation datasets: expert-annotated gold labels are expensive, so abundant machine-generated (silver) labels are added to limit annotation cost. This matters because the reference used to judge a model can itself be biased. In this study, we present the first fairness audit of cervical-spine MRI segmentation across sex, age, and race using the CSpineSeg dataset. We observe that the deployed model is demographically fair, but the choice of reference label, however, is not neutral. Because a dataset's silver labels are generated by a model trained on its gold labels, any new model trained on those same gold labels agrees more with the silver labels than with expert truth: scoring identical predictions against silver rather than gold overestimates performance by ~8 Dice points and turns the fairness verdict for age from non-significant to significant - not by the gap inflation Parikh et al. report (which we term false magnitude) but by collapsing within-group variance (which we term false confidence). Reference-label provenance is thus a first-order confounder in segmentation evaluation: performance and fairness should be reported against expert labels, and any fairness claim stated together with the provenance of its reference.
- Abstract（参考訳）: 頚椎MRIの自動化は, 臨床ワークフローにおいてますます用いられているが, 解剖学的には公平性検査は存在しない。
我々は、これらのセグメンテーションタスクの監査が、現代のセグメンテーションデータセットの共通特性によって複雑であることを示す。
これは、モデルを決定するのに使用される参照自体にバイアスがかかるためである。
本研究では, CSpineSegデータセットを用いて, 性別, 年齢, 人種間での頚椎MRI領域の公平性評価を行った。
デプロイモデルは人口統計学的に公平であるが、参照ラベルの選択は中立ではない。
データセットの銀のラベルは、金のラベルで訓練されたモデルによって生成されるため、同じ金のラベルで訓練された新しいモデルは、専門家の真実よりも銀のラベルと一致している。
したがって、参照ラベルの証明は、セグメンテーション評価における第一級の共同創設者である: パフォーマンスと公正性は、専門家のラベルに対して報告されなければならない。
関連論文リスト
- Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification [2.5794915063815664]
ラベルの欠落確率が観測された特徴に依存する半教師付き環境について検討する。
このような不確実性に依存しないラベルに対する可能性に基づく情報理論を開発した。
論文 参考訳（メタデータ） (2026-08-25T01:40:47Z) - Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。
Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。
推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
論文 参考訳（メタデータ） (2026-05-27T17:39:10Z) - Towards Fairness under Label Bias in Image Segmentation: Impact, Measurement and Mitigation [10.15221228043609]
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。
論文 参考訳（メタデータ） (2026-05-07T19:47:50Z) - 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) - Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly
Supervised Video Anomaly Detection [149.23913018423022]
弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。
2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。
本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-08T05:53:53Z) - Debiased Pseudo Labeling in Self-Training [77.83549261035277]
ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。
ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。
疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
論文 参考訳（メタデータ） (2022-02-15T02:14:33Z) - Label Noise in Adversarial Training: A Novel Perspective to Study Robust
Overfitting [45.58217741522973]
逆行訓練においてラベルノイズが存在することを示す。
このようなラベルノイズは、正反対例の真のラベル分布とクリーン例から受け継いだラベルとのミスマッチに起因する。
本稿では,ラベルノイズと頑健なオーバーフィッティングに対処するため,ラベルの自動校正手法を提案する。
論文 参考訳（メタデータ） (2021-10-07T01:15:06Z) - 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) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - 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) - Rethinking the Value of Labels for Improving Class-Imbalanced Learning [20.953282288425118]
クラス不均衡学習は、半教師ありと自己教師ありの両方の方法において有益である。
不均衡なラベルは常に役に立ちません。
この結果から,現実的な長期タスクにおける不均衡ラベルの使用を再考する必要性が浮き彫りとなった。
論文 参考訳（メタデータ） (2020-06-13T01:35:58Z)
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。