본 논문은 의료 진단 모델의 편향 문제, 특히 특정 클래스의 하위 집합과 강하게 상관관계를 갖는 특징에 대한 의존으로 인한 클래스-특징 편향(class-feature bias)에 초점을 맞추고 있습니다. 이러한 편향은 모델의 성능 저하 및 일반화 능력 저하로 이어집니다. 논문에서는 클래스 불균형과 클래스-특징 편향을 동시에 완화하는 클래스-불편향 모델(Cls-unbias)을 학습하기 위한 방법을 제시합니다. 구체적으로, 양성 클래스와 음성 클래스 샘플의 분류 손실 기여도를 동일하게 하도록 하는 클래스별 불평등 손실(class-wise inequality loss)과 성능이 저조한 클래스의 가중치를 높이는 클래스 가중치 훈련 목표인 클래스별 그룹 분포적으로 강건한 최적화 목표(class-wise group distributionally robust optimization objective)를 제안합니다. 합성 및 실제 데이터셋을 통해 클래스-특징 편향이 모델 성능에 미치는 부정적 영향을 실험적으로 보여주고, 제안된 방법이 클래스-특징 편향과 클래스 불균형을 효과적으로 완화하여 모델의 일반화 능력을 향상시킨다는 것을 입증합니다.
