FairTune：一个面向从PPG信号中公平预测心率的偏差感知微调框架
机器学习
2025-09-23 v1 计算工程、金融与科学
摘要
在光电容积描记（PPG）信号等生理数据上预训练的基础模型，正越来越多地被用于改善不同环境下的心率（HR）预测。对这些模型进行微调以用于本地部署，通常被视为一种实用且可扩展的策略。然而，其对人口统计学公平性的影响，特别是在领域偏移下，仍未得到充分探索。我们在三个异构数据集（ICU、可穿戴设备、智能手机）上对基于Transformer的、在重症监护室（ICU）数据上预训练的基础模型PPG-GPT进行微调，并系统评估其对心率预测准确性和性别公平性的影响。虽然微调显著降低了平均绝对误差（高达80%），但它可能同时扩大公平性差距，尤其是在较大模型和显著分布特征偏移的情况下。为了解决这个问题，我们引入了FairTune，一个偏差感知的微调框架，在其中我们对三种缓解策略进行了基准测试：基于逆组频率（IF）的类别加权、分组分布鲁棒优化（GroupDRO）和对抗性去偏（ADV）。我们发现，IF和GroupDRO在不牺牲准确性的情况下显著缩小了公平性差距，其有效性因部署领域而异。表示分析进一步揭示，缓解技术重塑了内部嵌入，以减少人口统计学聚类。我们的发现强调，公平性并非微调的自然副产品，明确的缓解措施对于生理基础模型的公平部署至关重要。
引用
@article{arxiv.2509.16491,
title = {FairTune: A Bias-Aware Fine-Tuning Framework Towards Fair Heart Rate Prediction from PPG},
author = {Lovely Yeswanth Panchumarthi and Saurabh Kataria and Yi Wu and Xiao Hu and Alex Fedorov and Hyunjung Gloria Kwak},
journal= {arXiv preprint arXiv:2509.16491},
year = {2025}
}