論文の概要: Demographically-Conditioned Synthetic Medical Images for Bias Mitigation and Bias Detection in Disease Classifiers

• arxiv url: http://arxiv.org/abs/2607.14984v1
• Date: Thu, 16 Jul 2026 13:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.123302
• Title: Demographically-Conditioned Synthetic Medical Images for Bias Mitigation and Bias Detection in Disease Classifiers
• Title（参考訳）: 疾患分類装置におけるバイアス除去・バイアス検出のための画像合成医用画像の復号化
• Abstract要約: 人口動態条件の合成ジェネレータは、トレーニング側のバイアスを緩和し、評価側のバイアスを検出することができる。 バイアス緩和(トレーニング)において、人口統計学的にバランスの取れた合成コホートは、前訓練として最も有用であり、関節強化としてではない。 合成推定器は、よく動力のある実オラクルのサブグループランキングを再現する。
• 参考スコア（独自算出の注目度）: 3.5347586732342435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Per-subgroup fairness audits of medical image classifiers face a sample-size problem: minority subgroups in held-out test sets have so few samples that the resulting confidence intervals on per-subgroup performance are wider than the bias the audit is meant to detect. We argue that a demographically-conditioned synthetic generator can do both: mitigate bias on the training side and detect bias on the evaluation side. Working on COVID-19 chest CT classification with an end-to-end fine-tuned Stable Diffusion 2.1 generator, we make two findings. For bias mitigation (training), a demographically-balanced synthetic cohort is most useful as a pretraining prior, not as joint augmentation: with the same fixed data, sequential pretraining followed by fine-tuning substantially outperforms joint augmentation, and the resulting classifier surpasses the full-real baseline at $\sim$$100\times$ real-data efficiency. For bias detection (evaluation), across five synthetic minority cohorts and five classifier seeds, the synthetic estimator reproduces the subgroup ranking of a well-powered real oracle (Spearman $ρ= 1.00$ on MCC and Recall) and gives the more reliable per-cell estimate where the small real test set runs out of samples. The synthetic cohort is therefore most useful in exactly the cells that fairness audits care about, as both a fix for and a measure of subgroup bias.
• Abstract（参考訳）: 医用画像分類器のサブグループごとの公正度監査は、サンプルサイズの問題に直面している: ホールドアウトテストセットのマイノリティなサブグループは非常に少ないため、サブグループごとのパフォーマンスに対する信頼区間は、監査が検出しようとするバイアスよりも広い。 人口動態条件の合成ジェネレータは、トレーニング側のバイアスを緩和し、評価側のバイアスを検出することができる。 エンドツーエンドの細管式Stable Diffusion 2.1 ジェネレータを用いた COVID-19 胸部CT 分類の研究で, 2 つの知見を得た。 バイアス緩和(トレーニング)では、階層的にバランスの取れた合成コホートは、関節強化ではなく、事前トレーニングとして最も有用である:同じ固定データを用いて、逐次事前トレーニングを行い、その後、微調整により関節増強が大幅に向上し、その結果の分類器はフルリアルベースラインを$\sim$100\times$リアルタイム効率で上回る。 バイアス検出(評価)では、5つの合成マイノリティコホートと5つの分類子種子で、合成推定器は、十分にパワーのある実オラクル(Spearman $ρ=1.00$ on MCC and Recall)のサブグループランキングを再現し、より信頼性の高いセル単位の推定を行う。 したがって、合成コホートは、フェアネス監査が関心を持つ細胞において、固定とサブグループバイアスの尺度として最も有用である。

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)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Bias Amplification Enhances Minority Group Performance [10.380812738348899]
  本稿では,新しい2段階学習アルゴリズムであるBAMを提案する。 第1段階では、各トレーニングサンプルに対して学習可能な補助変数を導入することにより、バイアス増幅方式を用いてモデルを訓練する。 第2段階では、バイアス増幅モデルが誤分類したサンプルを重み付けし、その後、再重み付けされたデータセット上で同じモデルをトレーニングし続けます。
  論文  参考訳（メタデータ） (2023-09-13T04:40:08Z)
• Distributionally Robust Optimization and Invariant Representation Learning for Addressing Subgroup Underrepresentation: Mechanisms and Limitations [10.4894578909708]
  サブグループの低表現によって引き起こされる純粋相関は、DNNによって永続できるバイアスの源として注目されている。 本研究は,医用画像分類におけるサブグループ非表現による急激な相関の緩和メカニズムの理解と改善に向けた第一歩である。
  論文  参考訳（メタデータ） (2023-08-12T01:55:58Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
  本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。 提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-04-19T06:02:53Z)
• SMOTified-GAN for class imbalanced pattern classification problems [0.41998444721319217]
  本稿では,SMOTEとGANの相乗効果を持つ2相オーバーサンプリング手法を提案する。 実験の結果,様々なベンチマークデータセットにおいて,マイノリティクラス(es)のサンプル品質が向上していることが証明された。
  論文  参考訳（メタデータ） (2021-08-06T06:14:05Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。