論文の概要: Causally Guided Gaussian Perturbations for Out-Of-Distribution Generalization in Medical Imaging

• arxiv url: http://arxiv.org/abs/2509.26027v1
• Date: Tue, 30 Sep 2025 09:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.092912
• Title: Causally Guided Gaussian Perturbations for Out-Of-Distribution Generalization in Medical Imaging
• Title（参考訳）: 医用画像における外部分布一般化のための因果誘導ガウス摂動
• Authors: Haoran Pei, Yuguang Yang, Kexin Liu, Baochang Zhang,
• Abstract要約: Causally-Guided Gaussian Perturbations (CGP)は、空間的に変化するノイズを入力画像に注入することでOOD一般化を強化する軽量フレームワークである。 CGPは、スプリアス相関よりも因果関係のある特徴に頼ることを奨励する。 挑戦的なWILDSベンチマークであるCamelyon17の結果は、最先端のOODベースラインよりも一貫したパフォーマンス向上を示している。
• 参考スコア（独自算出の注目度）: 17.342903259644235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) generalization remains a central challenge in deploying deep learning models to real-world scenarios, particularly in domains such as biomedical images, where distribution shifts are both subtle and pervasive. While existing methods often pursue domain invariance through complex generative models or adversarial training, these approaches may overlook the underlying causal mechanisms of generalization.In this work, we propose Causally-Guided Gaussian Perturbations (CGP)-a lightweight framework that enhances OOD generalization by injecting spatially varying noise into input images, guided by soft causal masks derived from Vision Transformers. By applying stronger perturbations to background regions and weaker ones to foreground areas, CGP encourages the model to rely on causally relevant features rather than spurious correlations.Experimental results on the challenging WILDS benchmark Camelyon17 demonstrate consistent performance gains over state-of-the-art OOD baselines, highlighting the potential of causal perturbation as a tool for reliable and interpretable generalization.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)の一般化は、現実世界のシナリオ、特に分布シフトが微妙かつ広範である生体医用画像のような領域にディープラーニングモデルをデプロイする上で、依然として中心的な課題である。 本稿では,視覚変換器から導出される軟質な因果マスクを用いて,空間的に変化する雑音を入力画像に注入することによりOOD一般化を促進する軽量なフレームワークであるCausally-Guided Gaussian Perturbations (CGP)を提案する。 CGPは,背景領域に強い摂動を施し,前景領域に弱い摂動を施すことにより,因果関係のある特徴に頼ることを奨励する。挑戦的なWILDSベンチマークであるCamelyon17の実験結果は,現状のOODベースラインよりも一貫した性能向上を示し,因果摂動の可能性を信頼性と解釈可能な一般化のツールとして強調する。

関連論文リスト

• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• When Shift Happens - Confounding Is to Blame [21.028845817427825]
  経験的リスク最小化は、最先端のアウト・オブ・ディストリビューションの一般化手法に匹敵する、あるいは超越する可能性があることを示す。 我々はこの現象を隠された共起によるものとみなす。 私たちは、隠れた共同創設者のためのプロキシで強化されたモデルが、隠れた共同設立のシフトによって引き起こされる課題を緩和できることを示します。
  論文  参考訳（メタデータ） (2025-05-27T16:50:44Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Casual Inference via Style Bias Deconfounding for Domain Generalization [28.866189619091227]
  本稿では, 因果推論に基づく新しいフレームワークであるStyle Deconfounding Causal Learningを紹介する。 提案手法は、ドメイン一般化問題に適した構造因果モデル(SCM)の構築から始まり、スタイルの影響を考慮に入れたバックドア調整戦略を適用する。 この基礎の上に構築したSGEM(style-guided Expert Module)は,トレーニング中のスタイル分布を適応的にクラスタリングし,グローバルなコンバウンディングスタイルをキャプチャする。 バックドア因果学習モジュール(BDCL)は特徴抽出中に因果介入を行い、グローバルな共起スタイルをサンプル予測に適切に統合し、スタイルバイアスを効果的に低減する。
  論文  参考訳（メタデータ） (2025-03-21T04:52:31Z)
• Attuned to Change: Causal Fine-Tuning under Latent-Confounded Shifts [32.989526411946606]
  遅れた構築されたシフトに適応することは、現代AIにおける中核的な課題である。 1つの実用的障害モードは、構築されたデータに基づいて訓練済みの基礎モデルを微調整するときに発生する。 我々は、因果微調整を識別問題として捉え、入力を低レベルなスプリアス特徴に分解する明示的な因果モデルを示す。
  論文  参考訳（メタデータ） (2024-10-18T11:06:23Z)
• Causal Representation-Based Domain Generalization on Gaze Estimation [10.283904882611463]
  本稿では,迷路推定フレームワークを用いた因果表現に基づく領域一般化を提案する。 我々は、ドメイン不変の特徴を抽出するために、逆行訓練法と追加の罰則項を用いる。 これらのモジュールを活用することで、CauGEはニューラルネットワークが因果メカニズムの一般的な原則を満たす表現から学ぶことを保証します。
  論文  参考訳（メタデータ） (2024-08-30T01:45:22Z)
• On the Out-Of-Distribution Generalization of Multimodal Large Language Models [24.431960338495184]
  MLLM(Multimodal Large Language Models)の一般化境界について検討する。 我々は、合成画像、実世界の分布シフト、医療画像や分子画像などの特殊なデータセットにまたがるゼロショットの一般化を評価した。 テキスト内学習はMLLMの一般化を著しく向上させ,一般化障壁を克服するための新たな道を開くことができることを示す。
  論文  参考訳（メタデータ） (2024-02-09T18:21:51Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)

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。