arXiv cs.CY· Md Zubair, Hao Zheng, Grayson W. Armstrong, Lucy Q. Shen, Gabriela Wilson, Yu Tian, Xingquan Zhu, Min Shi·· 11 小时前AI 评分20
MultiFair：双层级梯度调制实现多模态医学分类的均衡公平性
MultiFair: Multimodal Balanced Fairness-Aware Medical Classification with Dual-Level Gradient Modulation
AI 导读
MultiFair 通过双层级梯度调制解决多模态医学分类中的模态学习不均衡与人群公平性问题，在数据模态和人群群体两个层面动态调整训练梯度的优化方向与幅度。该方法在三个真实医学分类数据集上验证有效，涵盖多分类与模态缺失场景，已被 IEEE Transactions on Medical Imaging 接收。
正文 · AI 翻译
摘要：医疗决策系统日益依赖多来源数据以确保可靠且无偏的诊断。然而，现有的多模态学习模型未能实现这一目标，因为它们往往忽视了两个关键挑战。第一，不同数据模态的学习可能不均衡，从而收敛到偏向某些模态的模型。第二，模型可能侧重于某些人口群体上的学习，导致不公平的性能表现。这两个方面可能相互影响，因为不同数据模态在优化过程中可能偏向各自的群体，从而导致多模态学习既不平衡又不公平。本文提出了一种名为 MultiFair 的新方法用于多模态医学分类，通过双层梯度调制过程应对这些挑战。MultiFair 在数据模态和群体两个层面上动态调制训练梯度的优化方向和幅度。我们在三个具有多样化人口统计属性的真实医学分类数据集上评估了 MultiFair，包括多类分类和缺失模态设置。实验结果证明了其有效性。
| 评论： | 本工作已被 IEEE Transactions on Medical Imaging 接收发表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2510.07328 [cs.LG] |
| （或 arXiv:2510.07328v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.07328 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Md Zubair [查看邮箱]
[v1]
2025年9月30日星期二 20:30:12 UTC（3,389 KB）
[v2]
2026年7月9日星期四 05:29:24 UTC（606 KB）
[v3]
2026年10月27日星期二 16:31:14 UTC（606 KB）
来源：arXiv cs.CY · arxiv.org