論文の概要: Hybrid Explanation-Guided Learning for Transformer-Based Chest X-Ray Diagnosis

• arxiv url: http://arxiv.org/abs/2510.12704v1
• Date: Tue, 14 Oct 2025 16:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.399185
• Title: Hybrid Explanation-Guided Learning for Transformer-Based Chest X-Ray Diagnosis
• Title（参考訳）: 変圧器を用いた胸部X線診断のためのハイブリッド説明誘導学習
• Authors: Shelley Zixin Shu, Haozhe Luo, Alexander Poellinger, Mauricio Reyes,
• Abstract要約: 本稿では,自己指導型制約と人間指導型制約を組み合わせたHybrid Explanation-Guided Learning(H-EGL)フレームワークを提案する。 The Vision Transformer (ViT) を用いて胸部X線分類のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 42.139424548234885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer-based deep learning models have demonstrated exceptional performance in medical imaging by leveraging attention mechanisms for feature representation and interpretability. However, these models are prone to learning spurious correlations, leading to biases and limited generalization. While human-AI attention alignment can mitigate these issues, it often depends on costly manual supervision. In this work, we propose a Hybrid Explanation-Guided Learning (H-EGL) framework that combines self-supervised and human-guided constraints to enhance attention alignment and improve generalization. The self-supervised component of H-EGL leverages class-distinctive attention without relying on restrictive priors, promoting robustness and flexibility. We validate our approach on chest X-ray classification using the Vision Transformer (ViT), where H-EGL outperforms two state-of-the-art Explanation-Guided Learning (EGL) methods, demonstrating superior classification accuracy and generalization capability. Additionally, it produces attention maps that are better aligned with human expertise.
• Abstract（参考訳）: トランスフォーマーに基づくディープラーニングモデルは、特徴表現と解釈可能性に注意機構を活用することにより、医用画像における例外的な性能を示した。 しかし、これらのモデルは急激な相関を学習する傾向があり、バイアスと限定的な一般化をもたらす。 人間とAIの注意の調整はこれらの問題を緩和するが、しばしばコストのかかる手動の監督に依存する。 本研究では,自己指導型制約と人間指導型制約を組み合わせたHybrid Explanation-Guided Learning(H-EGL)フレームワークを提案する。 H-EGLの自己管理コンポーネントは、制約された事前を頼らずに、クラス固有の注意力を活用し、堅牢性と柔軟性を促進する。 The Vision Transformer (ViT) を用いて胸部X線分類を検証し、H-EGLは2つの最先端説明誘導学習(EGL)法より優れ、より優れた分類精度と一般化能力を示す。 また、人間の専門知識に合わせたアテンションマップも作成している。

関連論文リスト

• Prediction of Freezing of Gait in Parkinsons Disease using Explainable AI and Federated Deep Learning for Wearable Sensors [0.0]
  本研究では、慣性計測ユニット(IMU)データセットを用いて、歩行凍結の早期検出と予測のための説明可能なAI手法を開発する。 Stacking Ensembleモデルは、ハイブリッド双方向GRUモデルを超え、99%近い分類精度を達成し、優れた性能を達成する。 提案するFOG予測フレームワークには,各デバイス上でモデルをローカルにトレーニングし,中央サーバに集約するフェデレーション学習が組み込まれている。
  論文  参考訳（メタデータ） (2025-07-01T01:22:12Z)
• DSAGL: Dual-Stream Attention-Guided Learning for Weakly Supervised Whole Slide Image Classification [5.260725801393189]
  超高解像度でリッチなセマンティックな内容のため,WSIは癌診断に重要である。 DSAGL(Dual-Stream Attention-Guided Learning, DSAGL)は、教師/学生のアーキテクチャと2重ストリーム設計を組み合わせた、弱教師付き分類フレームワークである。
  論文  参考訳（メタデータ） (2025-05-29T11:07:16Z)
• Gating is Weighting: Understanding Gated Linear Attention through In-context Learning [48.90556054777393]
  GLA(Gated Linear Attention)アーキテクチャには、MambaやRWKVといった競合モデルが含まれている。 重み付きプレコンディショニング・グラディエント・ディフレクション(WPGD)アルゴリズムの一般クラスを多層GLAで実装可能であることを示す。 穏やかな条件下では、一意の WPGD 解に対応する大域的最小値の存在と一意性(スケーリングまで)を確立する。
  論文  参考訳（メタデータ） (2025-04-06T00:37:36Z)
• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Improved Operator Learning by Orthogonal Attention [17.394770071994145]
  我々は、カーネル積分作用素の固有分解と固有関数のニューラル近似に基づいて注意を喚起する。 我々の手法は、競合するベースラインを十分なマージンで上回ることができる。
  論文  参考訳（メタデータ） (2023-10-19T05:47:28Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• Weakly-supervised HOI Detection via Prior-guided Bi-level Representation Learning [66.00600682711995]
  ヒューマンオブジェクトインタラクション(HOI)検出は、人間中心のシーン理解において重要な役割を担い、多くの視覚タスクの基本的なビルディングブロックとして機能する。 HOI検出のための汎用的でスケーラブルな戦略の1つは、画像レベルのアノテーションからのみ学習する弱い監視を使用することである。 これは、不明瞭な人間と物体の関連、HOIを検出する大きな探索空間、非常にノイズの多い訓練信号によって本質的に困難である。 画像レベルとHOIインスタンスレベルの両方で事前の知識を組み込むことができるCLIP誘導HOI表現を開発し、不正な人間とオブジェクトの関連性を実証するために自己学習機構を採用する。
  論文  参考訳（メタデータ） (2023-03-02T14:41:31Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)

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。