論文の概要: Ordinal Label-Distribution Learning with Constrained Asymmetric Priors for Imbalanced Retinal Grading

• arxiv url: http://arxiv.org/abs/2509.26146v1
• Date: Tue, 30 Sep 2025 11:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.52753
• Title: Ordinal Label-Distribution Learning with Constrained Asymmetric Priors for Imbalanced Retinal Grading
• Title（参考訳）: 不均衡網膜白内障に対する非対称前駆体を用いた正規ラベル分布学習
• Authors: Nagur Shareef Shaik, Teja Krishna Cherukuri, Adnan Masood, Ehsan Adeli, Dong Hye Ye,
• Abstract要約: 糖尿病網膜症は、本質的には順序性で長い尾を持つ。 制約付き非対称先行ワッサースタインオートエンコーダ(CAP-WAE)を提案する。 CAP-WAEは、最先端の4重み付きカッパ、精度、マクロF1を一貫して達成する。
• 参考スコア（独自算出の注目度）: 9.147336466586017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic retinopathy grading is inherently ordinal and long-tailed, with minority stages being scarce, heterogeneous, and clinically critical to detect accurately. Conventional methods often rely on isotropic Gaussian priors and symmetric loss functions, misaligning latent representations with the task's asymmetric nature. We propose the Constrained Asymmetric Prior Wasserstein Autoencoder (CAP-WAE), a novel framework that addresses these challenges through three key innovations. Our approach employs a Wasserstein Autoencoder (WAE) that aligns its aggregate posterior with a asymmetric prior, preserving the heavy-tailed and skewed structure of minority classes. The latent space is further structured by a Margin-Aware Orthogonality and Compactness (MAOC) loss to ensure grade-ordered separability. At the supervision level, we introduce a direction-aware ordinal loss, where a lightweight head predicts asymmetric dispersions to generate soft labels that reflect clinical priorities by penalizing under-grading more severely. Stabilized by an adaptive multi-task weighting scheme, our end-to-end model requires minimal tuning. Across public DR benchmarks, CAP-WAE consistently achieves state-of-the-art Quadratic Weighted Kappa, accuracy, and macro-F1, surpassing both ordinal classification and latent generative baselines. t-SNE visualizations further reveal that our method reshapes the latent manifold into compact, grade-ordered clusters with reduced overlap.
• Abstract（参考訳）: 糖尿病網膜症は、本質的には順序性で長い尾を持ち、少数段階は乏しく、不均一であり、臨床的には正確に検出することが重要である。 従来の手法は、しばしば等方的ガウスの先行と対称損失関数に頼り、タスクの非対称な性質で潜在表現を誤る。 本稿では3つの重要な革新を通じてこれらの課題に対処する新しいフレームワークであるConstrained Asymmetric Prior Wasserstein Autoencoder (CAP-WAE)を提案する。 このアプローチでは、ワッサースタインオートエンコーダ(WAE)を用いて、アグリゲート後部を非対称な先行と整列させ、少数クラスの重み付きおよび歪んだ構造を保存する。 潜在空間は、次数次分離性を確保するために、Margin-Aware Orthogonality and Compactness (MAOC)損失によってさらに構成される。 監督レベルでは, 軽度頭部が非対称な分散を予測し, 臨床上の優先事項を反映したソフトラベルを生成する方向認識順序損失を導入する。 適応的なマルチタスク重み付け方式によって安定化され、エンドツーエンドモデルは最小限のチューニングを必要とする。 パブリックDRベンチマーク全体では、CAP-WAEは最先端の準重み付きカッパ、精度、マクロF1を一貫して達成し、順序分類と潜時生成のベースラインを超越している。 さらに t-SNE の可視化により,提案手法は潜在多様体を,重なりを低減したコンパクトな次数付きクラスタに再結合することを明らかにした。

関連論文リスト

• Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning [56.87989363424]
  シフトした後継尺度において,低ランク構造が自然に現れることを示す。 有効な低ランク近似と推定に必要なシフトの量を定量化する。
  論文  参考訳（メタデータ） (2025-09-05T15:48:20Z)
• Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
  反正則化は損失関数に逆符号を持つ報酬項を導入する。 スペクトル安全性条件と信頼領域制約を定式化する。 我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
  論文  参考訳（メタデータ） (2025-08-24T15:34:17Z)
• Handling Imbalanced Pseudolabels for Vision-Language Models with Concept Alignment and Confusion-Aware Calibrated Margin [56.37346003683629]
  擬似ラベルを用いた下流タスクへの視覚言語モデル(VLM)の適用が注目されている。 主な障害は、VLMによって生成された擬似ラベルが不均衡になり、性能が低下する傾向があることである。 本稿では,概念アライメントと混乱を考慮したマージン機構を取り入れた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-04T10:24:34Z)
• Calibration of Ordinal Regression Networks [1.2242167538741824]
  ディープニューラルネットワークは十分に校正されておらず、しばしば自信過剰な予測を生成する。 オーディナル・アウェア・キャリブレーションを導入した新しい損失関数を提案する。 ソフト・オーディナル・エンコーディングとオーディナル・アウェア・正規化を取り入れ、キャリブレーションと一様性の両方を強制する。
  論文  参考訳（メタデータ） (2024-10-21T05:56:31Z)
• Soft ascent-descent as a stable and flexible alternative to flooding [6.527016551650139]
  我々は,軟化・ポイントワイド機構であるSoftADを提案する。この機構は,降水量と降水量の影響を制限し,洪水の上昇・昇華効果を維持できる。 我々は,より小さな損失一般化ギャップとモデル規範を享受しながら,浸水と競合する分類精度をSoftADが実現できることを実証する。
  論文  参考訳（メタデータ） (2023-10-16T02:02:56Z)
• Meta-Learning Adversarial Bandit Algorithms [55.72892209124227]
  我々は,バンディットフィードバックを用いたオンラインメタラーニングについて研究する。 我々は自己協和障壁正規化器を用いてオンラインミラー降下一般化(OMD)をチューニングすることを学ぶ。
  論文  参考訳（メタデータ） (2023-07-05T13:52:10Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
  Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。 GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。 この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2022-06-08T21:32:50Z)
• On the Principle of Least Symmetry Breaking in Shallow ReLU Models [13.760721677322072]
  対象の重みに対する対称性の中期的損失は、より広範囲な設定に適用可能であることを示す。 これを受けて、我々はこの仮説を非等方性非積分布、滑らかな活性化関数、いくつかの層を持つネットワークの異なるクラスに相関させる一連の実験を行った。
  論文  参考訳（メタデータ） (2019-12-26T22:04:41Z)

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。