Fugu-MT 論文翻訳(概要): Image Classification with Consistent Supporting Evidence

論文の概要: Image Classification with Consistent Supporting Evidence

arxiv url: http://arxiv.org/abs/2111.07048v1
Date: Sat, 13 Nov 2021 05:47:26 GMT
ステータス: 処理完了
システム内更新日: 2021-11-18 10:20:49.251302
Title: Image Classification with Consistent Supporting Evidence
Title（参考訳）: 一貫した支持証拠を用いた画像分類
Authors: Peiqi Wang, Ruizhi Liao, Daniel Moyer, Seth Berkowitz, Steven Horng, Polina Golland
Abstract要約: より一貫性のある証拠を促進するためのモデル不整合と正則化の尺度を提案する。我々は、一貫性のあるモデルが解釈をサポートしながら競争力を発揮することを実証的に示す。
参考スコア（独自算出の注目度）: 7.32320882770431
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adoption of machine learning models in healthcare requires end users' trust in the system. Models that provide additional supportive evidence for their predictions promise to facilitate adoption. We define consistent evidence to be both compatible and sufficient with respect to model predictions. We propose measures of model inconsistency and regularizers that promote more consistent evidence. We demonstrate our ideas in the context of edema severity grading from chest radiographs. We demonstrate empirically that consistent models provide competitive performance while supporting interpretation.
Abstract（参考訳）: 医療における機械学習モデルの採用には、エンドユーザーがシステムに信頼する必要がある。予測にさらなる支持的な証拠を提供するモデルは、導入を促進することを約束します。モデル予測に関して、一貫性のある証拠は互換性があり、十分なものであると定義する。より一貫性のある証拠を促進するためのモデル不整合と正則化の尺度を提案する。胸部x線写真からの浮腫重症度評価の文脈で,我々のアイデアを実証する。我々は、一貫性のあるモデルが解釈をサポートしながら競争力を発揮することを実証的に示す。

関連論文リスト

Retrieving Versus Understanding Extractive Evidence in Few-Shot Learning [4.230202411425062]
大規模言語モデルにおける文書内証拠の検索と解釈の関係を解析する。ラベル予測とエビデンス検索の誤りが関連する証拠の質に起因するかどうかを2つのアブレーション研究により調査する。
論文参考訳（メタデータ） (2025-02-19T20:48:09Z)
Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文参考訳（メタデータ） (2024-10-08T17:59:03Z)
JAB: Joint Adversarial Prompting and Belief Augmentation [81.39548637776365]
我々は,ブラックボックスターゲットモデルの強靭性を,敵対的プロンプトと信念の増大を通じて探索し,改善する共同枠組みを導入する。このフレームワークは、自動的なレッド・チームリング手法を用いてターゲットモデルを探索し、信念強化器を用いて目標モデルの命令を生成し、敵のプローブに対するロバスト性を向上させる。
論文参考訳（メタデータ） (2023-11-16T00:35:54Z)
Augmentation by Counterfactual Explanation -- Fixing an Overconfident Classifier [11.233334009240947]
極めて正確だが過信的なモデルは、ヘルスケアや自動運転といった重要なアプリケーションへのデプロイには不適である。本稿では,過度に信頼された分類器の修正に反事実的説明を適用することを提案する。
論文参考訳（メタデータ） (2022-10-21T18:53:16Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)
A Multi-Level Attention Model for Evidence-Based Fact Checking [58.95413968110558]
シーケンス構造をトレーニング可能な,シンプルなモデルを提案する。 Fact extract and VERification のための大規模データセットの結果、我々のモデルはグラフベースのアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-02T05:40:12Z)
Faithful and Plausible Explanations of Medical Code Predictions [12.156363504753244]
説明は、モデルの意思決定に対する忠実さと、ドメインの専門家への妥当性のバランスをとらなければならない。トレーニングされたモデルの振る舞いを模倣し、これらのトレードオフをきめ細かく制御するプロキシモデルをトレーニングします。我々は,icdコードを臨床ノートに割り当てる作業に対するアプローチを評価し,プロキシモデルからの説明が忠実で,訓練されたモデルの振る舞いを再現できることを示す。
論文参考訳（メタデータ） (2021-04-16T05:13:36Z)
Trusted Multi-View Classification [76.73585034192894]
本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
論文参考訳（メタデータ） (2021-02-03T13:30:26Z)
Robustness of Model Predictions under Extension [3.766702945560518]
分析にモデルを使うのに注意すべき点は、予測因果効果と条件独立性はモデル拡張の下では堅牢でないことである。定性モデル予測のロバスト性を効率的に評価するために,因果順序付け手法の使い方を示す。平衡の力学系では、新しい洞察が適切なモデル拡張を選択するのにどのように役立つかを示す。
論文参考訳（メタデータ） (2020-12-08T20:21:03Z)
Interpretable Sequence Learning for COVID-19 Forecasting [37.49644561492168]
本稿では,機械学習を包括的疾患モデリングに組み込む新しい手法を提案する。私たちのモデルは、異なるコンパートメントがどのように進化するかを明確に示すため、設計によって説明できます。私たちのモデルは、最先端の代替手段よりも、米国全体で平均されたメトリクスにおいて、より正確な予測を提供します。
論文参考訳（メタデータ） (2020-08-03T05:02:57Z)
Concept Bottleneck Models [79.91795150047804]
現在の最先端モデルは、通常「骨の支柱の存在」のような概念の操作をサポートしない。トレーニング時に提供される概念を最初に予測し、ラベルを予測するためにこれらの概念を使用するという古典的な考え方を再考する。 X線グレーディングと鳥の識別では、概念ボトルネックモデルが標準のエンドツーエンドモデルと競合する精度を達成する。
論文参考訳（メタデータ） (2020-07-09T07:47:28Z)

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。