論文の概要: Dual Decomposition of Convex Optimization Layers for Consistent Attention in Medical Images

• arxiv url: http://arxiv.org/abs/2206.02761v2
• Date: Tue, 7 Jun 2022 14:07:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 11:59:32.153476
• Title: Dual Decomposition of Convex Optimization Layers for Consistent Attention in Medical Images
• Title（参考訳）: 医用画像における連続注意のための凸最適化層の二重分解
• Authors: Tom Ron, Michal Weiler-Sagie, Tamir Hazan
• Abstract要約: 医学における機械学習モデルの統合における主要な関心事は、推論を解釈する能力である。 共起層間の一貫した解釈を行う多層アテンション機構を提案する。 提案手法は,弱い注釈付き医用画像データを活用し,モデルの予測に対する完全かつ忠実な説明を提供する。
• 参考スコア（独自算出の注目度）: 12.844658658362325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key concern in integrating machine learning models in medicine is the ability to interpret their reasoning. Popular explainability methods have demonstrated satisfactory results in natural image recognition, yet in medical image analysis, many of these approaches provide partial and noisy explanations. Recently, attention mechanisms have shown compelling results both in their predictive performance and in their interpretable qualities. A fundamental trait of attention is that it leverages salient parts of the input which contribute to the model's prediction. To this end, our work focuses on the explanatory value of attention weight distributions. We propose a multi-layer attention mechanism that enforces consistent interpretations between attended convolutional layers using convex optimization. We apply duality to decompose the consistency constraints between the layers by reparameterizing their attention probability distributions. We further suggest learning the dual witness by optimizing with respect to our objective; thus, our implementation uses standard back-propagation, hence it is highly efficient. While preserving predictive performance, our proposed method leverages weakly annotated medical imaging data and provides complete and faithful explanations to the model's prediction.
• Abstract（参考訳）: 医学における機械学習モデルの統合における重要な関心事は、推論を解釈する能力である。 一般的な説明可能性法は自然画像認識において良好な結果を示しているが、医用画像解析では、多くの手法が部分的かつ騒がしい説明を提供する。 近年,注意喚起機構は,その予測性能と解釈可能な品質の両方において有意な結果を示している。 注意の基本的な特徴は、モデルの予測に寄与する入力の突出部を活用することである。 そこで本研究では,注目重量分布の説明的価値に着目した。 凸最適化を用いた畳み込み層間の一貫した解釈を行う多層アテンション機構を提案する。 注意確率分布を再パラメータ化することにより,層間の一貫性制約を分解するために双対性を適用する。 さらに,目的を最適化して双対証人の学習を推奨するので,実装では標準バックプロパゲーションを用いるので,高い効率性が期待できる。 提案手法は,予測性能を保ちながら,弱い注釈付き医用画像データを活用し,モデルの予測に完全かつ忠実な説明を提供する。

関連論文リスト

• Improving Explainability of Disentangled Representations using Multipath-Attribution Mappings [12.145748796751619]
  下流タスク予測に解釈不能な不整合表現を利用するフレームワークを提案する。 提案手法の有効性を,総合ベンチマークスイートと2つの医療データセットで実証する。
  論文  参考訳（メタデータ） (2023-06-15T10:52:29Z)
• Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
  本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。 モデルの解釈可能性を維持しながら予測力を向上すること。
  論文  参考訳（メタデータ） (2023-01-26T14:54:17Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Domain aware medical image classifier interpretation by counterfactual impact analysis [2.512212190779389]
  ニューラルネットワークに基づく属性法を導入し、任意のトレーニングされた予測器に適用する。 提案手法は,局所的な画像摂動が予測者のスコアに与える影響を計測することにより,入力画像の正当領域を1つの前方通過で同定する。
  論文  参考訳（メタデータ） (2020-07-13T11:11:17Z)
• Explain and Improve: LRP-Inference Fine-Tuning for Image Captioning Models [82.3793660091354]
  本稿では,注意を可視化する以外に,注意機構を付加した画像キャプションモデルの予測について分析する。 我々は,注意機構を備えた画像キャプションモデルに適したレイヤワイド関連伝搬(LRP)と勾配に基づく説明法を開発した。
  論文  参考訳（メタデータ） (2020-01-04T05:15:11Z)

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。