論文の概要: MAGIC-Flow: Multiscale Adaptive Conditional Flows for Generation and Interpretable Classification

• arxiv url: http://arxiv.org/abs/2510.22070v1
• Date: Fri, 24 Oct 2025 23:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.810217
• Title: MAGIC-Flow: Multiscale Adaptive Conditional Flows for Generation and Interpretable Classification
• Title（参考訳）: MAGIC-Flow: 生成および解釈可能な分類のためのマルチスケール適応型条件付き流れ
• Authors: Luca Caldera, Giacomo Bottacini, Lara Cavinato,
• Abstract要約: MAGIC-Flowは、単一のフレームワーク内で生成と分類を行う条件付きマルチスケール正規化フローアーキテクチャである。 非可逆性は標本可能性の明示的な可視化を可能にする一方で、これが正確な確率と安定な最適化をいかに保証するかを示す。 類似度,忠実度,多様性の指標を用いて,トップベースラインに対するMAGIC-Flowの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative modeling has emerged as a powerful paradigm for representation learning, but its direct applicability to challenging fields like medical imaging remains limited: mere generation, without task alignment, fails to provide a robust foundation for clinical use. We propose MAGIC-Flow, a conditional multiscale normalizing flow architecture that performs generation and classification within a single modular framework. The model is built as a hierarchy of invertible and differentiable bijections, where the Jacobian determinant factorizes across sub-transformations. We show how this ensures exact likelihood computation and stable optimization, while invertibility enables explicit visualization of sample likelihoods, providing an interpretable lens into the model's reasoning. By conditioning on class labels, MAGIC-Flow supports controllable sample synthesis and principled class-probability estimation, effectively aiding both generative and discriminative objectives. We evaluate MAGIC-Flow against top baselines using metrics for similarity, fidelity, and diversity. Across multiple datasets, it addresses generation and classification under scanner noise, and modality-specific synthesis and identification. Results show MAGIC-Flow creates realistic, diverse samples and improves classification. MAGIC-Flow is an effective strategy for generation and classification in data-limited domains, with direct benefits for privacy-preserving augmentation, robust generalization, and trustworthy medical AI.
• Abstract（参考訳）: 生成的モデリングは表現学習の強力なパラダイムとして現れてきたが、医療画像のような挑戦的な分野への直接的な適用性は依然として限られている。 本稿では,単一のモジュール化フレームワーク内で生成と分類を行う条件付きマルチスケール正規化フローアーキテクチャであるMAGIC-Flowを提案する。 このモデルは可逆かつ微分可能な単射の階層として構築され、ヤコビ行列式は部分変換にわたって分解される。 この手法が正確な精度計算と安定な最適化を実現するのに対して、可逆性はサンプル確率の明示的な可視化を可能にし、モデルの推論に解釈可能なレンズを提供する。 クラスラベルを条件付けすることで、MAGIC-Flowは制御可能なサンプル合成と原則付きクラス確率推定をサポートし、生成目的と識別目的の両方を効果的に支援する。 類似度,忠実度,多様性の指標を用いて,トップベースラインに対するMAGIC-Flowの評価を行った。 複数のデータセットにまたがって、スキャナノイズによる生成と分類、モダリティ固有の合成と識別に対処する。 結果は、MAGIC-Flowが現実的で多様なサンプルを作成し、分類を改善していることを示している。 MAGIC-Flowはデータ制限されたドメインの生成と分類に有効な戦略であり、プライバシー保護強化、堅牢な一般化、信頼できる医療AIの直接的なメリットがある。

関連論文リスト

• FLsim: A Modular and Library-Agnostic Simulation Framework for Federated Learning [3.62218729239779]
  フェデレートラーニング(FL)は2016年の創業以来、大きな発展を遂げてきた。 文献におけるFLの多様な要件を満たすために設計された総合的なFLシミュレーションフレームワークであるFLsimを紹介する。 FLsimの多種多様な技術実験における有効性と汎用性を示す。
  論文  参考訳（メタデータ） (2025-07-15T15:53:01Z)
• Symmetrical Flow Matching: Unified Image Generation, Segmentation, and Classification with Score-Based Generative Models [7.561148568365396]
  Flow Matchingは、分散間の継続的な変換を学ぶための強力なフレームワークとして登場した。 この研究は、セマンティックセグメンテーション、分類、画像生成を単一のモデルで統一する新しい定式化であるSymmetrical Flow Matchingを導入している。 CelebAMask-HQでは1.9点、COCO-Stuffでは7.0点、推論ステップは25点である。
  論文  参考訳（メタデータ） (2025-06-12T12:19:28Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• GLOWin: A Flow-based Invertible Generative Framework for Learning Disentangled Feature Representations in Medical Images [40.58581577183134]
  可逆関数によるデータ分布を直接モデル化することにより,現実的な画像を生成するフローベースの生成モデルが提案されている。 本稿では, エンドツーエンドのインバータブルで, 絡み合った表現を学習できる, フローベースの生成モデルフレームワーク glowin を提案する。
  論文  参考訳（メタデータ） (2021-03-19T15:47:01Z)
• Uncertainty quantification in medical image segmentation with normalizing flows [0.9176056742068811]
  条件付き正規化フロー(cFlow)に基づく新しい条件付き生成モデルを提案する。 基本的な考え方は、エンコーダの後にcFlow変換ステップを導入することにより、cVAEの表現性を高めることである。 これにより、遅延後部分布の近似が向上し、モデルがよりリッチなセグメンテーションのバリエーションを捉えることができる。
  論文  参考訳（メタデータ） (2020-06-04T07:56:46Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。