論文の概要: Trajectory-Guided Steering: Mitigating Spurious Feature Bias in Clinical Classification

• arxiv url: http://arxiv.org/abs/2610.22618v1
• Date: Thu, 15 Oct 2026 20:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.659101
• Title: Trajectory-Guided Steering: Mitigating Spurious Feature Bias in Clinical Classification
• Title（参考訳）: 軌道誘導ステアリング : 臨床分類における純粋特徴バイアスの緩和
• Abstract要約: 大規模言語モデルは臨床分類において急激な特徴に依存している。 本稿では、軌道のみから予測を正すか否かを判断する軌道誘導ステアリング(TGS)を提案する。 TGSは17.7%のエラーを修正し、正確な予測の1.3%を破った。
• 参考スコア（独自算出の注目度）: 2.3527416107195998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models rely on spurious features in clinical classification: swapping a single gender token in clinical notes alters gender-irrelevant diagnoses in up to 53.5% of cases. Existing inference-time corrections either need counterfactual data built around the specific spurious feature or behave unpredictably. We observe that how a model's preference between answers evolves across layers, its prediction trajectory, indicates for each document whether a correction is likely to help. We propose Trajectory-Guided Steering (TGS), which decides from the trajectory alone whether to correct each prediction and in which direction, with no counterfactual data and no knowledge of the spurious feature. On 16 clinical classification tasks from i2b2, TGS fixes 17.7% of errors while breaking only 1.3% of correct predictions and stays net-positive across all tested hyperparameter settings; all baselines are net-negative or near zero. The same corrections reduce reliance on the spurious feature: on the most affected diseases, gender-swap inconsistency falls sharply (hypertension 53.5% -> 38.0%, diabetes 35.1% -> 21.5%). Applying the correction to every document instead raises breaks on correct positive predictions from 0.1% to 6.4%, so per-document selection is essential. TGS also transfers to three model families and three other clinical and biomedical datasets.
• Abstract（参考訳）: 大きな言語モデルは、臨床分類における突発的な特徴に頼っている: 臨床ノートに1つの性別トークンを交換すると、53.5%の症例で性別に関連のない診断が変更される。 既存の推測時間補正には、特定のスパイラルな特徴を中心に構築された反事実データが必要であるか、予測不能に振る舞う必要がある。 著者らは,各文書において,モデルが回答の選好をどのように発展させるか,その予測軌道は,補正が役に立つかどうかを示す。 提案するトラジェクティブガイドステアリング(TGS)は,各予測を補正するか,どの方向を補正するかのみから決定する。 i2b2から16の臨床的分類タスクにおいて、TGSは17.7%のエラーを修正し、正しい予測の1.3%を破り、全てのテストされたハイパーパラメータ設定でネット陽性にとどまった。 この修正は、最も影響の大きい疾患では、性差の不整合が急激に低下する(高血圧53.5% -> 38.0%、糖尿病35.1% -> 21.5%)。 すべての文書に修正を適用すると、正しい正の予測が0.1%から6.4%になるので、文書ごとの選択は必須である。 TGSはまた、3つのモデルファミリーと3つの臨床および生物医学的なデータセットに転送する。

関連論文リスト

• The Predictability Bias of Joint-Embedding Predictive Learning in Medical Imaging [22.79780425937356]
  ポイント予測は条件目標分布を要約し、文脈が解決しない変動を再現することができない。 CT(Computerd tomography)では,再帰的解剖は文脈から予測可能であるが,臨床解釈を決定づける散発的局所的病理はそうではない。 スキャンレベル分類における最先端エンコーダと競合する113,611個のCTボリュームでトレーニングされたVT-B/3DであるTAP-JEPAを紹介する。
  論文  参考訳（メタデータ） (2026-10-09T08:53:13Z)
• Cross-Dataset Generalization of Bangladeshi Rice Leaf Disease Classifiers: Benchmark, Diagnosis, and Mitigation [0.0]
  イネ葉病分類におけるデータセット間移動は依然として重要な課題である。 バングラデシュの3つのイネ病データセットに対して,系統的なベンチマークを行った。 強い拡張は、平均的なデータセットのマクロF1の改善+0.070を回復する。 自己教師型 ViT コントロールは、CNN に等価なデータセットの崩壊を示す。
  論文  参考訳（メタデータ） (2026-09-20T16:56:51Z)
• Selective Prediction and Uncertainty-Aware Referral for Pap Smear Classification [3.093890460224435]
  本稿では,Herlev Papスミアデータセットの選択的予測と不確実性を考慮した参照について検討する。 ImageNet-pretrained weights with weighted random samples, and two light transformer backbones are fine-tuned on Herlev from ImageNet-pretrained weights with weighted random sample。 統計的に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2026-07-15T05:47:31Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• EQUITRIAGE: A Fairness Audit of Gender Bias in LLM-Based Emergency Department Triage [0.0]
  本稿では,救急部門における大規模言語モデル(LLM)の公平性監査であるEQUITRIAGEについて紹介する。 5つのモデルは全て、事前登録された5%の閾値を超えるフリップレートを生み出した。 グループパリティ、反事実的不変性、性別のキャリブレーションは、異なる公平性の性質である。
  論文  参考訳（メタデータ） (2026-05-05T17:20:55Z)
• Large language models perpetuate bias in palliative care: development and analysis of the Palliative Care Adversarial Dataset (PCAD) [0.0]
  大規模言語モデル(LLM)は、ケアを強化する可能性を持っているが、トレーニングデータに存在するバイアスが持続するリスクがある。 本研究の目的は,GPT-4oが対向的に設計されたデータセットを用いて,緩和ケア応答のバイアスを伝達するかどうかを体系的に評価することである。
  論文  参考訳（メタデータ） (2025-02-12T02:29:52Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Removing Spurious Features can Hurt Accuracy and Affect Groups Disproportionately [83.68135652247496]
  自然な修正は、モデルからスプリアスな特徴を取り除くことである。 誘導バイアスによる突発的特徴の除去は精度を低下させる可能性が示唆された。 また,ロバストな自己学習によって,全体的な正確性に影響を与えずにスプリアスな特徴を除去できることを示した。
  論文  参考訳（メタデータ） (2020-12-07T23:08:59Z)

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。