Fugu-MT 論文翻訳(概要): Harmonization and the Worst Scanner Syndrome

論文の概要: Harmonization and the Worst Scanner Syndrome

arxiv url: http://arxiv.org/abs/2101.06255v1
Date: Fri, 15 Jan 2021 18:41:41 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 11:28:04.522829
Title: Harmonization and the Worst Scanner Syndrome
Title（参考訳）: Harmonization と Worst Scanner 症候群
Authors: Daniel Moyer and Polina Golland
Abstract要約: 広い種類の調和化/ドメイン不変性スキームに対して、いくつかの望ましくない性質は避けられないことを示す。予測マシンが一連のドメインに不変である場合、出力予測の精度は、開始する情報の最小量を持つドメインによって制限される。
参考スコア（独自算出の注目度）: 7.881582062210935
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that for a wide class of harmonization/domain-invariance schemes several undesirable properties are unavoidable. If a predictive machine is made invariant to a set of domains, the accuracy of the output predictions (as measured by mutual information) is limited by the domain with the least amount of information to begin with. If a real label value is highly informative about the source domain, it cannot be accurately predicted by an invariant predictor. These results are simple and intuitive, but we believe that it is beneficial to state them for medical imaging harmonization.
Abstract（参考訳）: 広い種類の調和化/ドメイン不変性スキームに対して、いくつかの望ましくない性質は避けられないことを示す。予測マシンが一連のドメインに不変であれば、出力予測(相互情報によって測定される)の精度は、開始すべき情報の最小限の領域によって制限される。実ラベル値がソース領域について非常に有益であれば、不変予測器によって正確に予測することはできない。これらの結果は単純で直感的だが,医用画像の調和に有用であると考えられる。

関連論文リスト

Predicting generalization performance with correctness discriminators [64.00420578048855]
未確認データに対して,金のラベルを必要とせず,精度の上下境界を確立する新しいモデルを提案する。予測された上境界と下限の間に金の精度が確実に成立する様々なタグ付け、構文解析、意味解析タスクを示す。
論文参考訳（メタデータ） (2023-11-15T22:43:42Z)
Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文参考訳（メタデータ） (2023-03-25T08:56:21Z)
Uncertainty Estimates of Predictions via a General Bias-Variance Decomposition [7.811916700683125]
本稿では,適切なスコアに対するバイアス分散分解を導入し,分散項としてブレグマン情報を導出する。モデルアンサンブルや信頼領域を含む下流タスクにおけるこの分解の実践的妥当性を示す。
論文参考訳（メタデータ） (2022-10-21T21:24:37Z)
Cautious Learning of Multiattribute Preferences [2.6151761714896122]
本稿では,二項属性を特徴とする選択肢間の嗜好を予測するための慎重な学習手法を提案する。注意」とは、マルチ属性の嗜好を表現するために学んだモデルは、他の選択肢の厳密な弱い順序と互換性があるほど一般であることを意味する。
論文参考訳（メタデータ） (2022-06-15T07:54:16Z)
Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文参考訳（メタデータ） (2021-12-15T15:17:02Z)
Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文参考訳（メタデータ） (2021-07-07T15:50:18Z)
Domain Transformer: Predicting Samples of Unseen, Future Domains [1.7310589008573272]
教師なしの方法でドメイントランスフォーマーを学習し、目に見えないドメインのデータを生成する。提案手法はまず,Cycle-GANを用いて自動エンコーダから得られた2つの領域の潜在表現を独立に学習する。逆に、元のサンプルの変換を学習して、未確認領域への外挿を反復的に適用することができる。
論文参考訳（メタデータ） (2021-06-10T21:20:00Z)
Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
論文参考訳（メタデータ） (2020-06-17T17:51:42Z)
A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。