Fugu-MT 論文翻訳(概要): Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology

論文の概要: Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology

arxiv url: http://arxiv.org/abs/2503.10629v1
Date: Thu, 13 Mar 2025 17:59:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-14 15:52:26.240633
Title: Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology
Title（参考訳）: 病理組織学におけるロバスト視覚モデルのための階層的自己監督型逆行訓練
Authors: Hashmat Shadab Malik, Shahina Kunhimon, Muzammal Naseer, Fahad Shahbaz Khan, Salman Khan,
Abstract要約: 敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
参考スコア（独自算出の注目度）: 64.46054930696052
License:
Abstract: Adversarial attacks pose significant challenges for vision models in critical fields like healthcare, where reliability is essential. Although adversarial training has been well studied in natural images, its application to biomedical and microscopy data remains limited. Existing self-supervised adversarial training methods overlook the hierarchical structure of histopathology images, where patient-slide-patch relationships provide valuable discriminative signals. To address this, we propose Hierarchical Self-Supervised Adversarial Training (HSAT), which exploits these properties to craft adversarial examples using multi-level contrastive learning and integrate it into adversarial training for enhanced robustness. We evaluate HSAT on multiclass histopathology dataset OpenSRH and the results show that HSAT outperforms existing methods from both biomedical and natural image domains. HSAT enhances robustness, achieving an average gain of 54.31% in the white-box setting and reducing performance drops to 3-4% in the black-box setting, compared to 25-30% for the baseline. These results set a new benchmark for adversarial training in this domain, paving the way for more robust models. Our Code for training and evaluation is available at https://github.com/HashmatShadab/HSAT.
Abstract（参考訳）: 敵対的攻撃は、信頼性が不可欠である医療などの重要な分野において、ビジョンモデルに重大な課題をもたらす。逆行訓練は自然画像でよく研究されているが、生体医学的・顕微鏡的データへの応用は限られている。既往の自己監督型対人訓練法は, 患者とスライディング・パッチの関係が有意義な識別シグナルをもたらす, 病理像の階層構造を見落としている。これを解決するために,多段階のコントラスト学習を用いて,これらの特性を活用して,強靭性を高めるための対人訓練に統合する階層型自己監督適応訓練(HSAT)を提案する。その結果,HSATはバイオメディカル領域と自然画像領域の両方で既存の手法よりも優れていることがわかった。 HSATはロバスト性を高め、ホワイトボックス設定では平均54.31%、ブラックボックス設定では3.4%、ベースラインでは25-30%に低下した。これらの結果は、この領域における敵のトレーニングのための新しいベンチマークを設定し、より堅牢なモデルへの道を開いた。トレーニングと評価のためのコードについては、https://github.com/HashmatShadab/HSAT.orgで公開しています。

関連論文リスト

RoMA: Robust Malware Attribution via Byte-level Adversarial Training with Global Perturbations and Adversarial Consistency Regularization [17.387354788421742]
APTの敵はしばしばその正体を隠蔽し、本質的に敵意を表わす。既存の機械学習ベースの属性モデルは、効果はあるものの、敵の攻撃に対して非常に脆弱である。我々は,グローバルな摂動を統合して,拡張された対向サンプルを生成する,新しい一段階対向訓練手法であるRoMAを提案する。
論文参考訳（メタデータ） (2025-02-11T11:51:12Z)
A Hybrid Defense Strategy for Boosting Adversarial Robustness in Vision-Language Models [9.304845676825584]
本稿では,複数の攻撃戦略と高度な機械学習技術を統合した,新たな敵訓練フレームワークを提案する。 CIFAR-10 や CIFAR-100 などの実世界のデータセットで行った実験により,提案手法がモデルロバスト性を大幅に向上することを示した。
論文参考訳（メタデータ） (2024-10-18T23:47:46Z)
Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文参考訳（メタデータ） (2024-02-25T06:39:15Z)
OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文参考訳（メタデータ） (2024-01-22T20:17:14Z)
On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
論文参考訳（メタデータ） (2023-04-19T11:07:43Z)
A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文参考訳（メタデータ） (2023-02-28T04:26:20Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
In-Bed Human Pose Estimation from Unseen and Privacy-Preserving Image Domains [22.92165116962952]
ベッド内の人間の姿勢推定は、医療状況の評価において潜在的な価値を持つ重要な健康関連指標を提供する。本稿では,マルチモーダル条件変分オートエンコーダ(MC-VAE)を提案する。本研究は, 身体位置が利用可能なモダリティから効果的に認識できることを示し, ベースラインモデルと同等の結果が得られることを示した。
論文参考訳（メタデータ） (2021-11-30T04:56:16Z)
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)
Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文参考訳（メタデータ） (2020-10-26T04:44:43Z)

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。