論文の概要: Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning

• arxiv url: http://arxiv.org/abs/2105.11160v2
• Date: Tue, 25 May 2021 11:53:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 07:48:57.665313
• Title: Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning
• Title（参考訳）: 入力摂動とサブセット走査を用いた皮膚科領域の分布外検出
• Authors: Hannah Kim, Girmaw Abebe Tadesse, Celia Cintas, Skyler Speakman, Kush Varshney
• Abstract要約: 現在の皮膚疾患モデルでは、異なるハードウェアデバイスや臨床機器からの検査サンプルの誤った推測が可能である。 決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.674998177844528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning have led to breakthroughs in the development of automated skin disease classification. As we observe an increasing interest in these models in the dermatology space, it is crucial to address aspects such as the robustness towards input data distribution shifts. Current skin disease models could make incorrect inferences for test samples from different hardware devices and clinical settings or unknown disease samples, which are out-of-distribution (OOD) from the training samples. To this end, we propose a simple yet effective approach that detect these OOD samples prior to making any decision. The detection is performed via scanning in the latent space representation (e.g., activations of the inner layers of any pre-trained skin disease classifier). The input samples could also perturbed to maximise divergence of OOD samples. We validate our ODD detection approach in two use cases: 1) identify samples collected from different protocols, and 2) detect samples from unknown disease classes. Additionally, we evaluate the performance of the proposed approach and compare it with other state-of-the-art methods. Furthermore, data-driven dermatology applications may deepen the disparity in clinical care across racial and ethnic groups since most datasets are reported to suffer from bias in skin tone distribution. Therefore, we also evaluate the fairness of these OOD detection methods across different skin tones. Our experiments resulted in competitive performance across multiple datasets in detecting OOD samples, which could be used (in the future) to design more effective transfer learning techniques prior to inferring on these samples.
• Abstract（参考訳）: 近年のディープラーニングの進歩は、皮膚疾患の自動分類の開発にブレークスルーをもたらした。 皮膚科領域におけるこれらのモデルへの関心が高まる中、入力データ分布シフトに対するロバスト性などの側面に取り組むことが重要である。 現在の皮膚疾患モデルでは、異なるハードウェアデバイスからの検査サンプルや、トレーニングサンプルからのアウト・オブ・ディストリビューション(OOD)である臨床設定や未知の疾患サンプルに対して、誤った推論が行われる可能性がある。 そこで本研究では,決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。 この検出は潜伏空間表現(例えば、事前訓練された皮膚疾患分類器の内部層の活性化)の走査によって行われる。 入力サンプルはまた、OODサンプルの発散を最大化するために摂動することもできる。 1)異なるプロトコルから収集したサンプルを同定し,2)未知の疾患クラスからのサンプルを検出する。 さらに,提案手法の性能評価を行い,他の最先端手法と比較する。 さらに、データ駆動皮膚科学の応用は、ほとんどのデータセットが皮膚トーン分布のバイアスを被っていると報告されているため、人種および民族間の臨床ケアの格差を深くする可能性がある。 そこで本研究では,これらのOOD検出手法の皮膚音に対する公平性についても検討した。 実験の結果、OODサンプルの検出において複数のデータセット間で競合性能が得られ、これらのサンプルを推測する前により効果的な転送学習手法を設計するために(将来的に)使用できることがわかった。

関連論文リスト

• Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
  本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。 細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
  論文  参考訳（メタデータ） (2024-03-21T01:06:47Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images [10.20384144853726]
  本稿では,皮膚疾患の画像データを検出するためのマルチスケール検出フレームワークを提案する。 我々のフレームワークはニューラルネットワークの異なる層から特徴を抽出する。 実験により,提案手法は,他の最先端手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-01-18T13:49:35Z)
• An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
  本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。 提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。 病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
  論文  参考訳（メタデータ） (2023-01-06T17:10:32Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Understanding, Detecting, and Separating Out-of-Distribution Samples and Adversarial Samples in Text Classification [80.81532239566992]
  本稿では,2種類の異常 (OOD と Adv のサンプル) と,3つの側面の内分布 (ID) を比較した。 OODサンプルは第1層から始まる収差を露呈するが,Advサンプルの異常はモデル深層まで出現しない。 隠れ表現と出力確率を用いて,ID,OOD,Advのサンプルを分離する簡単な手法を提案する。
  論文  参考訳（メタデータ） (2022-04-09T12:11:59Z)
• Out of distribution detection for skin and malaria images [5.37275632397777]
  トレーニング中にラベル付きOoDサンプルにアクセスすることなく,皮膚およびマラリア画像中のOoDサンプルを堅牢に分類する手法を提案する。 私たちは、メトリクス学習とロジスティック回帰を使って、ディープネットワークにもっとリッチなクラス代表機能を学ぶように強制します。 TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%をそれぞれ改善した。
  論文  参考訳（メタデータ） (2021-11-02T11:16:07Z)
• Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
  我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。 まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。 次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
  論文  参考訳（メタデータ） (2021-07-06T12:10:09Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。