医学诊断中用于泛化的类别去偏方法
机器学习
2025-09-03 v2 人工智能
摘要
医学诊断可能因偏差而失败。在这项工作中，我们识别了类别-特征偏差，即模型可能依赖于仅与部分类别强相关的特征，从而导致有偏的性能和对其他类别的泛化能力差。我们旨在训练一个类别无偏模型（Cls-unbias），以同时缓解类别不平衡和类别-特征偏差。具体来说，我们提出了一种逐类不等损失，该损失促进正类样本和负类样本的分类损失做出同等贡献。我们提出优化一个逐类分组分布鲁棒优化目标——一种对表现不佳的类别进行加权的类别加权训练目标——以增强不等损失在类别不平衡下的有效性。通过合成和真实世界数据集，我们实证证明了类别-特征偏差会对模型性能产生负面影响。我们提出的方法有效缓解了类别-特征偏差和类别不平衡，从而提高了模型的泛化能力。
引用
@article{arxiv.2508.06943,
title = {Class Unbiasing for Generalization in Medical Diagnosis},
author = {Lishi Zuo and Man-Wai Mak and Lu Yi and Youzhi Tu},
journal= {arXiv preprint arXiv:2508.06943},
year = {2025}
}