論文の概要: Explanation and Use of Uncertainty Quantified by Bayesian Neural Network
Classifiers for Breast Histopathology Images
- arxiv url: http://arxiv.org/abs/2010.12575v3
- Date: Fri, 5 Nov 2021 21:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 23:05:09.750286
- Title: Explanation and Use of Uncertainty Quantified by Bayesian Neural Network
Classifiers for Breast Histopathology Images
- Title(参考訳): ベイジアンニューラルネットワーク分類器による乳腺病理像における不確かさの解明と利用
- Authors: Ponkrshnan Thiagarajan, Pushkar Khairnar, and Susanta Ghosh
- Abstract要約: ベイジアンCNNは, 自動正規化と不確実性を定量化することで, 限界を克服できることを示す。
データを低次元空間に投影することで不確実性を説明する。
我々は,ベイジアンCNNが最先端の伝達学習CNN(TL-CNN)よりも優れた性能を発揮することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the promise of Convolutional neural network (CNN) based
classification models for histopathological images, it is infeasible to
quantify its uncertainties. Moreover, CNNs may suffer from overfitting when the
data is biased. We show that Bayesian-CNN can overcome these limitations by
regularizing automatically and by quantifying the uncertainty. We have
developed a novel technique to utilize the uncertainties provided by the
Bayesian-CNN that significantly improves the performance on a large fraction of
the test data (about 6% improvement in accuracy on 77% of test data). Further,
we provide a novel explanation for the uncertainty by projecting the data into
a low dimensional space through a nonlinear dimensionality reduction technique.
This dimensionality reduction enables interpretation of the test data through
visualization and reveals the structure of the data in a low dimensional
feature space. We show that the Bayesian-CNN can perform much better than the
state-of-the-art transfer learning CNN (TL-CNN) by reducing the false negative
and false positive by 11% and 7.7% respectively for the present data set. It
achieves this performance with only 1.86 million parameters as compared to
134.33 million for TL-CNN. Besides, we modify the Bayesian-CNN by introducing a
stochastic adaptive activation function. The modified Bayesian-CNN performs
slightly better than Bayesian-CNN on all performance metrics and significantly
reduces the number of false negatives and false positives (3% reduction for
both). We also show that these results are statistically significant by
performing McNemar's statistical significance test. This work shows the
advantages of Bayesian-CNN against the state-of-the-art, explains and utilizes
the uncertainties for histopathological images. It should find applications in
various medical image classifications.
- Abstract(参考訳): 組織像に対する畳み込みニューラルネットワーク(CNN)に基づく分類モデルが約束されているにもかかわらず、その不確実性を定量化することは不可能である。
さらに、CNNはデータがバイアスを受けたときに過度に適合する可能性がある。
ベイジアンCNNは, 自動正規化と不確かさの定量化により, これらの制限を克服できることを示す。
我々は,ベイジアンcnnが提供する不確実性を利用して,テストデータの大部分の性能を大幅に向上させる新しい手法を開発した(テストデータの77%で約6%の精度向上)。
さらに, 非線形次元化手法を用いてデータを低次元空間に投影することで, 不確かさの新たな説明を行う。
この次元減少は、可視化を通してテストデータの解釈を可能にし、低次元の特徴空間におけるデータの構造を明らかにする。
本研究では,現状のデータセットに対して,偽陰性および偽陽性をそれぞれ11%,偽陽性を7.7%削減することにより,最先端の伝達学習CNN(TL-CNN)よりも優れた性能を発揮することを示す。
この性能は、TL-CNNの134.33万に比べてわずか1.86万のパラメータで達成されている。
さらに,確率適応アクティベーション関数を導入することでベイジアンCNNを変更する。
修正されたベイジアンCNNは、すべてのパフォーマンス指標においてベイジアンCNNよりもわずかに優れた性能を示し、偽陰性および偽陽性の数を著しく減少させる(どちらも3%減少)。
また,これらの結果はMcNemarの統計的意義試験によって統計的に有意であることを示す。
本研究は,bayesian-cnnの最先端技術に対するアドバンテージを示し,病理組織像に対する不確実性を説明し,活用する。
様々な医用画像分類に応用するべきである。
関連論文リスト
- Improving Interpretability and Accuracy in Neuro-Symbolic Rule Extraction Using Class-Specific Sparse Filters [5.1690347717311855]
CNNトレーニング中にクラス固有のフィルタバイナライズを可能にするスペーサ損失関数を提案する。
我々は新しいベンチマークを設定し、9%の精度向上と53%のルールセットサイズを平均で達成した。
このことは、ブラックボックスCNNの代替として、解釈可能なニューロシンボリックモデルの可能性を強調している。
論文 参考訳(メタデータ) (2025-01-28T03:22:23Z) - Harnessing Neuron Stability to Improve DNN Verification [42.65507402735545]
我々は最近提案されたDPLLベースの制約DNN検証手法の拡張であるVeriStableを提案する。
完全接続型フィードネットワーク(FNN)、畳み込み型ニューラルネットワーク(CNN)、残留型ネットワーク(ResNet)など、さまざまな課題のあるベンチマークにおいてVeriStableの有効性を評価する。
予備的な結果は、VeriStableは、VNN-COMPの第1および第2のパフォーマーである$alpha$-$beta$-CROWNやMN-BaBなど、最先端の検証ツールよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-19T23:48:04Z) - Improving the Accuracy and Robustness of CNNs Using a Deep CCA Neural
Data Regularizer [2.026424957803652]
畳み込みニューラルネットワーク(CNN)がオブジェクト認識においてより正確になるにつれて、それらの表現は霊長類の視覚システムとよりよく似ている。
この問題に対処する以前の試みは、正規化法の制限により、精度が極端に向上した。
我々は,CNNのイメージ表現とサル視覚野との類似性を最適化するために,ディープ相関解析(DCCA)を用いた新しいCNN用ニューラルデータ正規化器を開発した。
論文 参考訳(メタデータ) (2022-09-06T15:40:39Z) - Strengthening the Training of Convolutional Neural Networks By Using
Walsh Matrix [0.0]
分類性能を向上させるため,DNNのトレーニングと構造を変更した。
畳み込みニューラルネットワーク(CNN)の最後の層に続く最小距離ネットワーク(MDN)が分類器として使用される。
異なる領域では、ノード数が少ないDivFEを使用することでより高い分類性能が得られたことが観察されている。
論文 参考訳(メタデータ) (2021-03-31T18:06:11Z) - A New Neuromorphic Computing Approach for Epileptic Seizure Prediction [4.798958633851825]
CNNは計算的に高価で電力が空腹です。
エネルギー効率のよいスパイクニューラルネットワーク(SNN)によって動機づけられた、発作予測のためのニューロモルフィックコンピューティングアプローチが本研究で提案されている。
論文 参考訳(メタデータ) (2021-02-25T10:39:18Z) - S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural
Networks via Guided Distribution Calibration [74.5509794733707]
本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。
提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。
提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
論文 参考訳(メタデータ) (2021-02-17T18:59:28Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳(メタデータ) (2020-09-09T03:28:57Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Bayesian x-vector: Bayesian Neural Network based x-vector System for
Speaker Verification [71.45033077934723]
我々はディープニューラルネットワーク(DNN)xベクトル話者検証システムにベイズニューラルネットワーク(BNN)を組み込む。
BNNによって提供される重みの不確実性モデリングにより、システムは評価データにより良い一般化を期待できる。
その結果、BNNの相対的なEERの2.66%と2.32%の減少により、短文と短文のドメイン評価が可能であることが判明した。
論文 参考訳(メタデータ) (2020-04-08T14:35:12Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳(メタデータ) (2020-02-03T04:11:13Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳(メタデータ) (2019-03-24T19:42:39Z)
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。