論文の概要: High-Order Progressive Trajectory Matching for Medical Image Dataset Distillation

• arxiv url: http://arxiv.org/abs/2509.24177v1
• Date: Mon, 29 Sep 2025 01:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.681491
• Title: High-Order Progressive Trajectory Matching for Medical Image Dataset Distillation
• Title（参考訳）: 医用画像データセット蒸留における高次進行軌道マッチング
• Authors: Le Dong, Jinghao Bian, Jingyang Hou, Jingliang Hu, Yilei Shi, Weisheng Dong, Xiao Xiang Zhu, Lichao Mou,
• Abstract要約: トラジェクトリマッチングは、データセット蒸留の有望な方法論として登場した。 本稿では,パラメータ軌跡の幾何学的構造を捉える形状ワイドポテンシャルと,簡易で複雑なマッチング戦略を提案する。 医用画像分類タスクの実験では,プライバシを保ちながら蒸留性能を向上させることが示されている。
• 参考スコア（独自算出の注目度）: 38.58097105351775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image analysis faces significant challenges in data sharing due to privacy regulations and complex institutional protocols. Dataset distillation offers a solution to address these challenges by synthesizing compact datasets that capture essential information from real, large medical datasets. Trajectory matching has emerged as a promising methodology for dataset distillation; however, existing methods primarily focus on terminal states, overlooking crucial information in intermediate optimization states. We address this limitation by proposing a shape-wise potential that captures the geometric structure of parameter trajectories, and an easy-to-complex matching strategy that progressively addresses parameters based on their complexity. Experiments on medical image classification tasks demonstrate that our method improves distillation performance while preserving privacy and maintaining model accuracy comparable to training on the original datasets. Our code is available at https://github.com/Bian-jh/HoP-TM.
• Abstract（参考訳）: 医療画像分析は、プライバシー規制と複雑な制度的プロトコルにより、データ共有において重大な課題に直面している。 データセット蒸留は、実際の大規模な医療データセットから重要な情報をキャプチャするコンパクトなデータセットを合成することで、これらの課題に対処するソリューションを提供する。 トラジェクトリマッチングは、データセット蒸留の有望な方法論として登場したが、既存の手法は、中間最適化状態において重要な情報を見越して、主に終端状態に焦点を当てている。 本稿では,パラメータ軌跡の幾何学的構造を捉えた形状的ポテンシャルと,その複雑性に基づいてパラメータに段階的に対処する簡易で複雑なマッチング戦略を提案する。 医用画像分類タスクの実験では,プライバシを保ちながら,元のデータセットのトレーニングに匹敵するモデルの精度を維持しながら,蒸留性能の向上が示されている。 私たちのコードはhttps://github.com/Bian-jh/HoP-TMで公開しています。

関連論文リスト

• Dataset Distillation as Pushforward Optimal Quantization [2.5892916589735457]
  そこで本研究では,実データ上での学習に類似した性能を,桁違いに少ない計算量で実現した合成トレーニングセットを提案する。 特に、既存の非絡み合ったデータセット蒸留法を古典的最適量子化とワッサーシュタインのバリセンタ問題にリンクする。 我々は,ImageNet-1Kデータセットの性能向上とモデル間一般化を,より簡単な追加計算で実現し,より高階のイメージ・パー・クラス・セッティングにおけるSOTA性能を向上する。
  論文  参考訳（メタデータ） (2025-01-13T20:41:52Z)
• Image Distillation for Safe Data Sharing in Histopathology [10.398266052019675]
  病理組織学は、臨床医が正確な診断を行い、疾患の予後を判断し、適切な治療戦略を立案するのに役立つ。 深層学習技術が医療分野で成功していることが証明されるにつれ、主な課題はデータ可用性の制限とデータ共有とプライバシに関する懸念である。 私たちは、制約なしに共有できる必須情報をカプセル化する小さな合成データセットを作成します。 我々は,潜在拡散モデルを訓練し,少数の可読性合成画像を用いた新しい蒸留合成データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T13:19:08Z)
• EchoNet-Synthetic: Privacy-preserving Video Generation for Safe Medical Data Sharing [5.900946696794718]
  本稿では,高忠実度,長大かつアクセス可能な完全データサンプルをほぼリアルタイムに生成するモデルを提案する。 本研究では,拡散モデルに基づく生成手法を開発し,医用ビデオデータセットの匿名化のためのプロトコルを提案する。 完全合成でプライバシに適合したエコー心電図データセットであるEchoNet-Syntheticについて述べる。
  論文  参考訳（メタデータ） (2024-06-02T17:18:06Z)
• Progressive trajectory matching for medical dataset distillation [15.116863763717623]
  プライバシーの問題から、医療画像データセットの共有は不可欠だが難しい。 医用画像データセットを合成データに凝縮する新しいデータセット蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T10:18:20Z)
• Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
  ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。 データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。 本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T03:29:39Z)
• Towards Efficient Deep Hashing Retrieval: Condensing Your Data via Feature-Embedding Matching [5.2193774924981176]
  複雑な最適化と大規模なデータセットのため、高度な深層ハッシュモデルのトレーニングが高価になっている。 IEM(Information-intensive feature Embedding Matching, 情報集約型特徴埋め込みマッチング)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:23:55Z)
• A Comprehensive Survey of Dataset Distillation [73.15482472726555]
  限られた計算能力で無制限に成長するデータを扱うことは困難になっている。 ディープラーニング技術はこの10年で前例のない発展を遂げた。 本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
  論文  参考訳（メタデータ） (2023-01-13T15:11:38Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)

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。