論文の概要: CNN-ViT Hybrid for Pneumonia Detection: Theory and Empiric on Limited Data without Pretraining

• arxiv url: http://arxiv.org/abs/2509.08586v1
• Date: Wed, 10 Sep 2025 13:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.435945
• Title: CNN-ViT Hybrid for Pneumonia Detection: Theory and Empiric on Limited Data without Pretraining
• Title（参考訳）: 肺炎検出のためのCNN-ViTハイブリッド:予知のない限られたデータに関する理論と経験
• Authors: Prashant Singh Basnet, Roshan Chitrakar,
• Abstract要約: 本研究では,限られたサイズのトレーニングデータセットにおけるCNNとViTのハイブリッド化について検討した。 このモデルは、不均衡なデータセットでCNNとViTを上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research explored the hybridization of CNN and ViT within a training dataset of limited size, and introduced a distinct class imbalance. The training was made from scratch with a mere focus on theoretically and experimentally exploring the architectural strengths of the proposed hybrid model. Experiments were conducted across varied data fractions with balanced and imbalanced training datasets. Comparatively, the hybrid model, complementing the strengths of CNN and ViT, achieved the highest recall of 0.9443 (50% data fraction in balanced) and consistency in F1 score around 0.85, suggesting reliability in diagnosis. Additionally, the model was successful in outperforming CNN and ViT in imbalanced datasets. Despite its complex architecture, it required comparable training time to the transformers in all data fractions.
• Abstract（参考訳）: 本研究では, CNN と ViT のハイブリッド化について, 限られたサイズのトレーニングデータセットを用いて検討し, 異なるクラス不均衡を導入した。 トレーニングは、提案されたハイブリッドモデルのアーキテクチャ的強みを理論的および実験的に探求することだけに焦点を当てて、ゼロから行われた。 バランスの取れたトレーニングデータセットとバランスの取れないトレーニングデータセットを用いて、さまざまなデータ分画で実験を行った。 比較として、CNNとViTの強度を補完するハイブリッドモデルは、0.9443(バランスの取れたデータの割合50%)のリコールとF1スコアの一貫性を約0.85で達成し、診断の信頼性が示唆された。 さらに、このモデルは不均衡なデータセットでCNNとViTを上回った。 複雑なアーキテクチャにもかかわらず、すべてのデータ分数でトランスフォーマーに匹敵するトレーニング時間を必要とした。

関連論文リスト

• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Comprehensive Lung Disease Detection Using Deep Learning Models and Hybrid Chest X-ray Data with Explainable AI [0.5242869847419834]
  本研究では,ハイブリッドデータセットを用いた深層学習と移動学習の有効性について検討した。 その結果、VGG16、Xception、ResNet50V2、DenseNet121のハイブリッドデータセットでは、それぞれ99%の精度でパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2025-05-21T21:17:47Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Alleviating the Effect of Data Imbalance on Adversarial Training [26.36714114672729]
  長い尾の分布に従うデータセットの逆トレーニングについて検討する。 我々は、新しい対人訓練フレームワーク、Re-balancing Adversarial Training (REAT)を提案する。
  論文  参考訳（メタデータ） (2023-07-14T07:01:48Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• RIO: Rotation-equivariance supervised learning of robust inertial odometry [8.943918790444272]
  慣性オドメトリーモデルを訓練するための自己スーパーバイザとして回転等価性を導入する。 これにより、ロバストなモデルをトレーニングするための大量のラベル付きデータへの依存を減らすことができる。 そこで本研究では,慣性オドメトリーの非表示データへの一般化性を高めるために,適応型テストタイムトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-11-23T06:49:40Z)

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。