論文の概要: Intuitions of Machine Learning Researchers about Transfer Learning for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2510.00902v1
• Date: Wed, 01 Oct 2025 13:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.589785
• Title: Intuitions of Machine Learning Researchers about Transfer Learning for Medical Image Classification
• Title（参考訳）: 医用画像分類のための伝達学習に関する機械学習研究者の直感
• Authors: Yucheng Lu, Hubert Dariusz Zając, Veronika Cheplygina, Amelia Jiménez-Sánchez,
• Abstract要約: 本研究では,機械学習の実践者がソースデータセットをどのように選択するかを検討する。 この結果から、選択はタスク依存であり、コミュニティプラクティス、データセット特性、計算(データ埋め込み)の影響を受けていることが示唆された。 参加者はしばしば曖昧な用語を使い、より明確な定義とHCIツールの必要性を示唆している。
• 参考スコア（独自算出の注目度）: 9.85496186685158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transfer learning is crucial for medical imaging, yet the selection of source datasets - which can impact the generalizability of algorithms, and thus patient outcomes - often relies on researchers' intuition rather than systematic principles. This study investigates these decisions through a task-based survey with machine learning practitioners. Unlike prior work that benchmarks models and experimental setups, we take a human-centered HCI perspective on how practitioners select source datasets. Our findings indicate that choices are task-dependent and influenced by community practices, dataset properties, and computational (data embedding), or perceived visual or semantic similarity. However, similarity ratings and expected performance are not always aligned, challenging a traditional "more similar is better" view. Participants often used ambiguous terminology, which suggests a need for clearer definitions and HCI tools to make them explicit and usable. By clarifying these heuristics, this work provides practical insights for more systematic source selection in transfer learning.
• Abstract（参考訳）: トランスファーラーニングは医療画像に不可欠であるが、アルゴリズムの一般化可能性、つまり患者結果に影響を与えるソースデータセットの選択は、しばしば体系的な原則よりも研究者の直感に依存している。 本研究では,機械学習実践者によるタスクベース調査を通じて,これらの意思決定について検討する。 モデルと実験的なセットアップをベンチマークする以前の作業とは異なり、実践者がソースデータセットを選択する方法に関して、人間中心のHCI視点を取ります。 その結果,選択はタスク依存的であり,コミュニティの実践,データセット特性,計算(データ埋め込み),視覚的・意味的類似性(意味的類似性)の影響が示唆された。 しかしながら、類似度評価と期待されるパフォーマンスは必ずしも一致していないため、従来の"より類似した方がよい"視点に挑戦する。 参加者は曖昧な用語をしばしば用いており、明確な定義とHCIツールが必要であることを示唆している。 これらのヒューリスティックスを明らかにすることで、この研究は伝達学習におけるより体系的なソース選択のための実践的な洞察を提供する。

関連論文リスト

• Choose Your Explanation: A Comparison of SHAP and GradCAM in Human Activity Recognition [0.13194391758295113]
  本研究は,Shapley Additive Explanations (SHAP) と Gradient-weighted Class Activation Mapping (Grad-CAM) を比較した。 本研究では,これらの手法を定量的かつ定量的に比較し,摂動実験による特徴重要度ランキング,解釈可能性,モデル感度に着目した。 我々の研究は、SHAPとGrad-CAMが相互に補完し、より解釈可能で実行可能なモデル説明を提供する方法を示している。
  論文  参考訳（メタデータ） (2024-12-20T15:53:25Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
  本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。 医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
  論文  参考訳（メタデータ） (2022-06-23T05:47:51Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• "Name that manufacturer". Relating image acquisition bias with task complexity when training deep learning models: experiments on head CT [0.0]
  我々は、データセットにおけるスキャナーメーカーの分布がディープラーニングモデルの全体的なバイアスにどのように貢献するかを分析する。 我々は、CNNが画像スキャナーメーカーを識別し、このバイアスがモデルの性能に大きな影響を与えることを実証した。
  論文  参考訳（メタデータ） (2020-08-19T16:05:58Z)
• On the Robustness of Active Learning [0.7340017786387767]
  Active Learningは、機械学習アルゴリズムをトレーニングする上で最も有用なサンプルを特定する方法に関するものだ。 十分な注意とドメイン知識を持っていないことがよくあります。 そこで本研究では,Simpson の多様性指標に基づく新たな "Sum of Squared Logits" 手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:07:23Z)

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。