論文の概要: Weight Space Correlation Analysis: Quantifying Feature Utilization in Deep Learning Models

• arxiv url: http://arxiv.org/abs/2512.13144v1
• Date: Mon, 15 Dec 2025 09:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.612453
• Title: Weight Space Correlation Analysis: Quantifying Feature Utilization in Deep Learning Models
• Title（参考訳）: 重み空間相関分析:ディープラーニングモデルにおける特徴利用の定量化
• Authors: Chun Kit Wong, Paraskevas Pegios, Nina Weng, Emilie Pi Fogtmann Sejer, Martin Grønnebæk Tolsgaard, Anders Nymark Christensen, Aasa Feragen,
• Abstract要約: 本稿では,特徴量量を定量化する解釈可能な手法である重み空間相関解析を導入する。 我々はまず,人工的なショートカット学習をうまく検出し,本手法の有効性を検証した。 次に,自発妊娠児に訓練したSA-SonoNetモデルの特徴利用について検討する。
• 参考スコア（独自算出の注目度）: 7.637026905961675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models in medical imaging are susceptible to shortcut learning, relying on confounding metadata (e.g., scanner model) that is often encoded in image embeddings. The crucial question is whether the model actively utilizes this encoded information for its final prediction. We introduce Weight Space Correlation Analysis, an interpretable methodology that quantifies feature utilization by measuring the alignment between the classification heads of a primary clinical task and auxiliary metadata tasks. We first validate our method by successfully detecting artificially induced shortcut learning. We then apply it to probe the feature utilization of an SA-SonoNet model trained for Spontaneous Preterm Birth (sPTB) prediction. Our analysis confirmed that while the embeddings contain substantial metadata, the sPTB classifier's weight vectors were highly correlated with clinically relevant factors (e.g., birth weight) but decoupled from clinically irrelevant acquisition factors (e.g. scanner). Our methodology provides a tool to verify model trustworthiness, demonstrating that, in the absence of induced bias, the clinical model selectively utilizes features related to the genuine clinical signal.
• Abstract（参考訳）: 医用画像における深層学習モデルは、しばしば画像埋め込みにエンコードされる相反するメタデータ(例えばスキャナーモデル)に依存して、ショートカット学習の影響を受けやすい。 重要な問題は、モデルが最終的な予測のためにこの符号化された情報を積極的に利用するかどうかである。 本稿では,プライマリ・クリニティ・タスクの分類ヘッドと補助メタデータタスクのアライメントを測定し,特徴量を測定するための解釈可能な手法である重み空間相関分析を紹介する。 我々はまず,人工的なショートカット学習をうまく検出し,本手法の有効性を検証した。 次に,SPTB予測のために訓練されたSA-SonoNetモデルの特徴利用について検討する。 以上の結果より, 埋込量には有意なメタデータが含まれているが, sPTB分類器の重量ベクトルは臨床関連因子(eg, 出生体重)と高い相関が認められたが, 臨床的関連のない獲得因子(egスキャナー)とは分離していた。 本手法は, モデル信頼性を検証するためのツールであり, 誘発バイアスがない場合には, 臨床モデルが真の臨床信号に関連する特徴を選択的に活用できることを実証する。

関連論文リスト

• Clinical semantics for lung cancer prediction [1.6744500686720596]
  既存の臨床予測モデルは、しばしば臨床概念間の意味的関係を無視した特徴を用いて患者データを表現している。 本研究では,SNOMED医療用語階層を低次元双曲空間にマッピングすることで,ドメイン固有の意味情報を統合する。
  論文  参考訳（メタデータ） (2025-08-20T11:29:47Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• A Comprehensive Dataset and Automated Pipeline for Nailfold Capillary Analysis [24.8934927577986]
  包括的爪折り毛細管データセット-321 画像の構築に先駆的な取り組みを行い,68 名の被験者219 名の動画と臨床報告,専門家注記を行った。 教師付きラベルとして専門家アノテーションを用いた3つのディープラーニングモデルを微調整し、それらを新しいエンドツーエンドの爪折り毛細管分析パイプラインに統合した。 実験の結果, 自動パイプラインでは, 測定値の平均サブピクセルレベルの精度が89.9%, 形態異常が89.9%であった。
  論文  参考訳（メタデータ） (2023-12-10T16:33:41Z)
• An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
  我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。 モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
  論文  参考訳（メタデータ） (2023-08-20T15:22:08Z)
• DeepTechnome: Mitigating Unknown Bias in Deep Learning Based Assessment of CT Images [44.62475518267084]
  私たちは、未知のバイアスに対するトレーニング中にディープラーニングモデルをデバイアスします。 制御領域は、バイアスに関する情報を伝達する代理として使用します。 強いバイアスを示すデータから学習する手法を応用し、対応する偏りのないデータを用いたトレーニングで観測された分類性能をほぼ完全に回復する。
  論文  参考訳（メタデータ） (2022-05-26T12:18:48Z)
• Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
  我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。 以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2022-02-22T06:48:50Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Now You See It, Now You Dont: Adversarial Vulnerabilities in Computational Pathology [2.1577322127603407]
  病理画像における腫瘍パッチの分類の高精度なモデルが,最小限の摂動で容易に攻撃可能であることを示す。 解析結果から,高い成功率と低摂動エネルギーで,特定の入力画像に対して単一インスタンスのホワイトボックス攻撃を発生できることが示唆された。 本研究は, 対人攻撃の摂動エネルギー, 臨床的意義の形態的構造, 訓練された病理医による受容性, 深層学習モデルを用いて得られた塩分濃度マップとの関係を系統的に解析した。
  論文  参考訳（メタデータ） (2021-06-14T14:33:24Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。