論文の概要: Fast Diffusion-Based Counterfactuals for Shortcut Removal and Generation
- arxiv url: http://arxiv.org/abs/2312.14223v2
- Date: Tue, 16 Jul 2024 21:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 22:58:48.765965
- Title: Fast Diffusion-Based Counterfactuals for Shortcut Removal and Generation
- Title(参考訳): 高速拡散方式によるショートカット除去・生成対策
- Authors: Nina Weng, Paraskevas Pegios, Eike Petersen, Aasa Feragen, Siavash Bigdeli,
- Abstract要約: ショートカット学習は、モデルがターゲットラベルと急激なショートカット特徴の間の相関を利用するときである。
これは医学的画像において一般的であり、治療と臨床的アノテーションは疾患のラベルと相関し、疾患を予測するためのショートカットを容易にする。
本稿では,高速拡散に基づく反ファクト画像生成による潜在的ショートカット特徴の影響の新しい検出と定量化を提案する。
- 参考スコア(独自算出の注目度): 4.960337416753321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shortcut learning is when a model -- e.g. a cardiac disease classifier -- exploits correlations between the target label and a spurious shortcut feature, e.g. a pacemaker, to predict the target label based on the shortcut rather than real discriminative features. This is common in medical imaging, where treatment and clinical annotations correlate with disease labels, making them easy shortcuts to predict disease. We propose a novel detection and quantification of the impact of potential shortcut features via a fast diffusion-based counterfactual image generation that can synthetically remove or add shortcuts. Via a novel inpainting-based modification we spatially limit the changes made with no extra inference step, encouraging the removal of spatially constrained shortcut features while ensuring that the shortcut-free counterfactuals preserve their remaining image features to a high degree. Using these, we assess how shortcut features influence model predictions. This is enabled by our second contribution: An efficient diffusion-based counterfactual explanation method with significant inference speed-up at comparable image quality as state-of-the-art. We confirm this on two large chest X-ray datasets, a skin lesion dataset, and CelebA. Our code is publicly available at fastdime.compute.dtu.dk.
- Abstract(参考訳): ショートカット学習(英: shortcut learning)とは、モデル、例えば心臓病分類器が対象のラベルと急激なショートカット特徴、例えばペースメーカーとの間の相関を利用して、実際の識別的特徴ではなく、そのショートカットに基づいてターゲットのラベルを予測することである。
これは医学的画像において一般的であり、治療と臨床的アノテーションは疾患のラベルと相関し、疾患を予測するためのショートカットを容易にする。
本稿では,ショートカットを合成的に除去あるいは付加できる高速拡散型反ファクト画像生成により,潜在的ショートカット特徴の影響の新たな検出と定量化を提案する。
空間的制約のあるショートカット特徴の除去を奨励するとともに, ショートカットのないカウンターファクトファクトが残像特徴を高い精度で保持することを保証する。
これらを用いて,ショートカットがモデル予測に与える影響を評価する。
これは2つ目の貢献によって実現された: 効率的な拡散に基づく反ファクト的説明法は、画像品質を最先端技術に匹敵する精度で推論速度を向上する。
胸部X線データセット,皮膚病変データセット,CelebAで確認した。
私たちのコードはfastdime.compute.dtu.dkで公開されています。
関連論文リスト
- Shortcuts Arising from Contrast: Effective and Covert Clean-Label Attacks in Prompt-Based Learning [40.130762098868736]
本稿では、アクティベーション値を活用し、トリガ設計とデータ選択戦略を統合して、より強力なショートカット機能を実現するContrastive Shortcut Injection (CSI) を提案する。
フルショットおよび少数ショットのテキスト分類タスクに関する広範な実験により、CSIの高有効性と高い盗聴性を低毒性率で実証的に検証した。
論文 参考訳(メタデータ) (2024-03-30T20:02:36Z) - Shortcut Learning in Medical Image Segmentation [6.148244276400219]
ショートカット学習(英: Shortcut learning)とは、機械学習モデルが、トレーニングセットを超えて一般化されていないデータから、単純な、潜在的に誤解を招く可能性のある学習キューを優先する現象である。
キャリパーやゼロパッドド・コンボリューションとセンタークロッピード・トレーニング・セットの組み合わせは必然的にショートカットとして機能することを示した。
2つの異なる医用画像分割作業において,ショートカット学習を識別し,評価する。
論文 参考訳(メタデータ) (2024-03-11T14:14:52Z) - Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。
しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
論文 参考訳(メタデータ) (2024-03-01T09:01:53Z) - Adversarial Medical Image with Hierarchical Feature Hiding [38.551147309335185]
逆例(AEs)は、医用画像の深層学習に基づく手法において、大きなセキュリティ上の欠陥を生じさせる。
PGDのような従来の敵攻撃は特徴空間で容易に区別でき、正確な反応性防御をもたらすことが判明した。
本稿では,従来のホワイトボックス攻撃に対する新たなアドオンであるHFC(Simple-yet- Effective Hierarchical Feature constraint)を提案する。
論文 参考訳(メタデータ) (2023-12-04T07:04:20Z) - Feature Proliferation -- the "Cancer" in StyleGAN and its Treatments [52.72738453040552]
トランケーショントリックは、高品質な画像を合成するためのStyleGANの標準的な後処理技術となっている。
StyleGAN画像アーティファクトにおけるFeature Proliferationの効果を示す。
本稿では,リスクのある特徴を識別・調整し,機能増殖を緩和する機能再スケーリング手法を提案する。
論文 参考訳(メタデータ) (2023-10-13T07:46:57Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - GLSFormer : Gated - Long, Short Sequence Transformer for Step
Recognition in Surgical Videos [57.93194315839009]
本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。
本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2023-07-20T17:57:04Z) - 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) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - Gifsplanation via Latent Shift: A Simple Autoencoder Approach to
Progressive Exaggeration on Chest X-rays [3.958317527488534]
本稿では,入力画像の潜在表現を変換して,予測に使用する特徴を誇張あるいは縮小する,シンプルなオートエンコーダと更新(潜時シフト)を提案する。
本研究では, 従来のアトリビューションマップや提案手法を用いて, 240個の胸部X線予測を行い, どれが偽陽性か(半数)を判定する。
論文 参考訳(メタデータ) (2021-02-18T16:55:03Z) - CleftNet: Augmented Deep Learning for Synaptic Cleft Detection from
Brain Electron Microscopy [49.3704402041314]
本稿では,脳em画像からのシナプス裂検出を改善するために,cleftnetと呼ばれる新しい拡張深層学習モデルを提案する。
まず、機能拡張器とラベル拡張器と呼ばれる2つの新しいネットワークコンポーネントを提案し、機能とラベルを強化し、口蓋表現を改善します。
論文 参考訳(メタデータ) (2021-01-12T02:45:53Z)
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。