論文の概要: Analise de Desaprendizado de Maquina em Modelos de Classificacao de Imagens Medicas

• arxiv url: http://arxiv.org/abs/2508.18509v1
• Date: Mon, 25 Aug 2025 21:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.602599
• Title: Analise de Desaprendizado de Maquina em Modelos de Classificacao de Imagens Medicas
• Title（参考訳）: マキナ・デ・デ・サプレジザード・デ・マキナ・デ・マキナ・デ・マキナ・デ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・マキナ・デ・
• Authors: Andreza M. C. Falcao, Filipe R. Cordeiro,
• Abstract要約: 機械学習の目的は、モデルの堅牢性を保ちながら、事前訓練されたモデルからプライベートまたはセンシティブなデータを除去することである。 本研究では、PathMNIST、OrganAMNIST、BloodMNISTデータセットの実験を行うことで、SalUnアンラーニングモデルを評価する。 その結果、SalUnは完全再トレーニングに近いパフォーマンスを実現し、医療応用における効率的なソリューションであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.5647577824219207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning aims to remove private or sensitive data from a pre-trained model while preserving the model's robustness. Despite recent advances, this technique has not been explored in medical image classification. This work evaluates the SalUn unlearning model by conducting experiments on the PathMNIST, OrganAMNIST, and BloodMNIST datasets. We also analyse the impact of data augmentation on the quality of unlearning. Results show that SalUn achieves performance close to full retraining, indicating an efficient solution for use in medical applications.
• Abstract（参考訳）: 機械学習の目的は、モデルの堅牢性を保ちながら、事前訓練されたモデルからプライベートまたはセンシティブなデータを除去することである。 近年の進歩にもかかわらず、この手法は医用画像分類では研究されていない。 本研究では、PathMNIST、OrganAMNIST、BloodMNISTデータセットの実験を行うことで、SalUnアンラーニングモデルを評価する。 また、データ拡張が未学習の品質に与える影響を分析する。 その結果、SalUnは完全再トレーニングに近いパフォーマンスを実現し、医療応用における効率的なソリューションであることが示唆された。

関連論文リスト

• Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
  カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。 本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
  論文  参考訳（メタデータ） (2025-07-01T04:14:16Z)
• Machine Unlearning for Medical Imaging [14.71921867714043]
  機械学習は、事前訓練されたモデルから特定のトレーニングサンプル群の影響を取り除くプロセスである。 医用画像領域における異なる未学習アルゴリズムの有効性と計算効率を評価する。
  論文  参考訳（メタデータ） (2024-07-10T10:59:28Z)
• Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
  自己監視型学習(SSL) 対照的な学習は、データの不足を軽減できる可能性を示している。 本研究の目的は,PCG分類におけるSSLモデルの性能向上を目的とした,幅広いオーディオベースの拡張と組み合わせの探索と評価である。
  論文  参考訳（メタデータ） (2023-12-01T11:06:00Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Self-supervised Model Based on Masked Autoencoders Advance CT Scans Classification [0.0]
  本稿では,自己教師付き学習アルゴリズムMAEに着想を得た。 ImageNetで事前トレーニングされたMAEモデルを使用して、CT Scansデータセット上で転送学習を実行する。 この方法はモデルの一般化性能を改善し、小さなデータセットに過度に適合するリスクを回避する。
  論文  参考訳（メタデータ） (2022-10-11T00:52:05Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。