論文の概要: Data augmentation for the generalizability and transportability of fairness in a clinical heart failure algorithm
- arxiv url: http://arxiv.org/abs/2611.15618v1
- Date: Wed, 11 Nov 2026 15:36:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.184579
- Title: Data augmentation for the generalizability and transportability of fairness in a clinical heart failure algorithm
- Title(参考訳): クリニカル心不全アルゴリズムにおける公平性の一般化と輸送性のためのデータ拡張
- Abstract要約: 下流分類アルゴリズムにおける公平性の懸念に対処するために、臨床データセットを人工的に補完する手段として、合成データ拡張が提案されている。
本研究は,2つの異なるデータサンプルを用いた心不全患者に対する病院内死亡率分類の現実的応用とシミュレーションによる表型データにおける公正性のための合成データ拡張の実証的評価である。
- 参考スコア(独自算出の注目度): 1.6328866317851185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic data augmentation has been proposed as a way to artificially supplement clinical datasets to address fairness concerns in downstream classification algorithms. This approach is closely related to upweighting or upsampling methods employed for the problem of class imbalance, which have shown mixed empirical results in practice. Synthetic data augmentation also runs the risk of overfitting to the noise present in subgroups with relatively small sample sizes, raising both generalizability and transportability concerns. We present an empirical evaluation of synthetic data augmentation for fairness in tabular data using simulation studies as well as a real-world application of in-hospital mortality classification for heart failure patients in two distinct data samples. We implement upsampling and upweighting methods as benchmarks for the implicit fairness objective of synthetic data augmentation. Our results suggest that the fairness impacts of data augmentation are sensitive to the design of the downstream algorithm as well as the deployment context and its similarity to the training data. It is crucial that studies making generalizability and transportability claims should provide empirical support for these assertions.
- Abstract(参考訳): 下流分類アルゴリズムにおける公平性の懸念に対処するために、臨床データセットを人工的に補完する手段として、合成データ拡張が提案されている。
このアプローチは、クラス不均衡の問題に使用されるアップウェイト法やアップサンプリング法と密接に関係している。
合成データの増大は、比較的小さなサンプルサイズを持つサブグループに存在するノイズに過度に適合するリスクも負うため、一般化性と輸送性の両方の懸念が生じる。
本研究は,2つの異なるデータサンプルを用いた心不全患者に対する病院内死亡率分類の現実的応用とシミュレーションによる表型データにおける公正性のための合成データ拡張の実証的評価である。
我々は、合成データ拡張の暗黙的公正度目標のためのベンチマークとして、アップサンプリングとアップウェイト手法を実装した。
以上の結果から,データ拡張による公正性の影響は,下流アルゴリズムの設計や展開状況,トレーニングデータとの類似性に敏感であることが示唆された。
一般化可能性と輸送可能性の主張を行う研究は、これらの主張を実証的に支持することが不可欠である。
関連論文リスト
- MedEqualizer: A Framework Investigating Bias in Synthetic Medical Data and Mitigation via Augmentation [8.526339099878962]
MIMIC-IIIデータセットを用いたGANモデルを用いて合成データの公平性を評価する。
MedEqualizerはモデルに依存しない拡張フレームワークで、合成データ生成の前に表現されていない部分群を豊かにする。
論文 参考訳(メタデータ) (2025-11-02T19:16:50Z) - Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
因果推論は医療介入の開発と評価に不可欠である。
現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。
本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
論文 参考訳(メタデータ) (2025-10-21T16:16:00Z) - Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。
合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文 参考訳(メタデータ) (2025-08-08T18:32:52Z) - Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。
本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
論文 参考訳(メタデータ) (2025-06-13T15:27:40Z) - Synthetic Simplicity: Unveiling Bias in Medical Data Augmentation [0.7499722271664144]
医用画像などのデータ共有分野において、合成データがますます重要になっている。
下流のニューラルネットワークは、しばしば、データソースとタスクラベルの間に強い相関があるときに、実データと合成データの急激な区別を利用する。
このエクスプロイトは、真のタスク関連の複雑さではなく、表面的な特徴に過度に依存する、テクスティシビティ単純性バイアスとして現れます。
論文 参考訳(メタデータ) (2024-07-31T15:14:17Z) - Fairness-Aware Data Augmentation for Cardiac MRI using Text-Conditioned Diffusion Models [1.6581402323174208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳(メタデータ) (2024-03-28T15:41:43Z) - The Real Deal Behind the Artificial Appeal: Inferential Utility of Tabular Synthetic Data [40.165159490379146]
評価値が不偏であっても, 偽陽性の発見率(タイプ1の誤り)は不可避的に高いことが示唆された。
以前提案された補正係数が使用されているにもかかわらず、この問題は深層生成モデルに対して持続する。
論文 参考訳(メタデータ) (2023-12-13T02:04:41Z) - Evaluating the Fairness Impact of Differentially Private Synthetic Data [0.9297355862757838]
差分プライベート(DP)合成データは、機密情報を含むデータの有効性を最大化するための有望なアプローチである。
これらのモデルのうち3つのモデルが下流のバイナリ分類タスクにおいてフェアネスの結果を劣化させる場合が多いことを示す実験結果を示す。
マルチラベルアンダーサンプ法を用いて事前処理したデータに対する学習用シンセサイザーは、精度を低下させることなく、より公正な結果を促進することができる。
論文 参考訳(メタデータ) (2022-05-09T14:25:24Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳(メタデータ) (2022-03-03T05:58:49Z) - 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)
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。