論文の概要: CLOC: Contrastive Learning for Ordinal Classification with Multi-Margin N-pair Loss
- arxiv url: http://arxiv.org/abs/2504.17813v1
- Date: Tue, 22 Apr 2025 22:23:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.50833
- Title: CLOC: Contrastive Learning for Ordinal Classification with Multi-Margin N-pair Loss
- Title（参考訳）: CLOC:MultiMargin N-pair Lossを用いた正規分類のためのコントラスト学習
- Authors: Dileepa Pitawela, Gustavo Carneiro, Hsiang-Ting Chen,
- Abstract要約: 序列分類では、近隣の階級の誤分類は一般的であるが、これらの誤りの結果は同じではない。
順序分類のための新しいマージンベースコントラスト学習法であるCLOCを提案する。
CLOCは、新しいマルチマージンnペア損失による多重マージンの最適化に基づいて順序付き表現を学習する。
- 参考スコア（独自算出の注目度）: 8.202961373604719
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In ordinal classification, misclassifying neighboring ranks is common, yet the consequences of these errors are not the same. For example, misclassifying benign tumor categories is less consequential, compared to an error at the pre-cancerous to cancerous threshold, which could profoundly influence treatment choices. Despite this, existing ordinal classification methods do not account for the varying importance of these margins, treating all neighboring classes as equally significant. To address this limitation, we propose CLOC, a new margin-based contrastive learning method for ordinal classification that learns an ordered representation based on the optimization of multiple margins with a novel multi-margin n-pair loss (MMNP). CLOC enables flexible decision boundaries across key adjacent categories, facilitating smooth transitions between classes and reducing the risk of overfitting to biases present in the training data. We provide empirical discussion regarding the properties of MMNP and show experimental results on five real-world image datasets (Adience, Historical Colour Image Dating, Knee Osteoarthritis, Indian Diabetic Retinopathy Image, and Breast Carcinoma Subtyping) and one synthetic dataset simulating clinical decision bias. Our results demonstrate that CLOC outperforms existing ordinal classification methods and show the interpretability and controllability of CLOC in learning meaningful, ordered representations that align with clinical and practical needs.
- Abstract（参考訳）: 序列分類では、近隣の階級の誤分類は一般的であるが、これらの誤りの結果は同じではない。
例えば、良性腫瘍の分類の誤分類は、治療選択に重大な影響を及ぼす前がん閾値の誤差と比較すると、適切ではない。
それにもかかわらず、既存の順序分類法は、これらのマージンの様々な重要性を考慮せず、近隣のすべてのクラスを等しく重要なものとして扱う。
この制限に対処するために,新たなマルチマージンnペア損失(MMNP)を用いた複数マージンの最適化に基づいて順序付き表現を学習する,順序付き分類のための新しいマージンベースコントラスト学習法であるCLOCを提案する。
CLOCは、主要な隣り合うカテゴリ間の柔軟な決定境界を可能にし、クラス間のスムーズな移行を促進し、トレーニングデータに存在するバイアスに過度に適合するリスクを低減する。
MMNPの特性について実証的な考察を行い,臨床診断バイアスを模した5つの実世界の画像データセット(Adience, Historical Colour Image Dating, Kneearthritis, Indian Diabetic Retinopathy Image, Breast Carcinoma Subtyping)と1つの合成データセットについて検討した。
以上の結果から,CLOCは既存の順序分類法よりも優れており,臨床的,実践的なニーズに整合した有意義で順序づけられた表現を学習する際のCLOCの解釈可能性や制御性を示す。
関連論文リスト
- DIOR-ViT: Differential Ordinal Learning Vision Transformer for Cancer Classification in Pathology Images [4.2832657904981435]
本稿では,2組のサンプル間の分類クラスラベルの差分を定義・学習する微分順序学習問題を提案する。
差分順序学習の導入により,がんの診断精度と信頼性が向上することが実証された。
提案手法は,クラスラベル間の順序関係が関係する他の疾患や問題にも適用すべきである。
論文 参考訳（メタデータ） (2024-07-10T12:42:27Z) - 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) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-08-04T09:11:07Z) - SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳（メタデータ） (2023-07-10T14:53:24Z) - Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification
using Dermoscopy and Clinical Images [7.159532626507458]
本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。
本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
論文 参考訳（メタデータ） (2023-07-04T13:19:57Z) - 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) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor
Classification [3.319978067919918]
HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。
k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
論文 参考訳（メタデータ） (2022-01-28T17:37:15Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Does Your Dermatology Classifier Know What It Doesn't Know? Detecting
the Long-Tail of Unseen Conditions [18.351120611713586]
皮膚の状態を正確に分類できる深層学習システムを開発し,厳密に評価した。
このタスクは、アウトオブディストリビューション(OOD)検出問題としてフレーム化します。
我々の新しいアプローチである階層外乱検出(HOD)は、各トレーニングクラスに対して複数の禁制クラスを割り当て、インレーヤ対外乱の粗い分類を共同で行う。
論文 参考訳（メタデータ） (2021-04-08T15:15:22Z) - Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。
実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
論文 参考訳（メタデータ） (2020-10-22T14:05:05Z)
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。