論文の概要: Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study

• arxiv url: http://arxiv.org/abs/2602.18502v1
• Date: Tue, 17 Feb 2026 10:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.10823
• Title: Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study
• Title（参考訳）: 医用画像における特徴差によるショートカット学習の軽減 : ベンチマークによる検討
• Authors: Sarah Müller, Philipp Berens,
• Abstract要約: 機能障害はショートカット学習を緩和するための有望なアプローチである。 ショートカット緩和法は, 強い相関関係下での分類性能を向上した。 最高のパフォーマンスモデルは、データ中心のリバランシングとモデル中心のアンタングルメントを組み合わせる。
• 参考スコア（独自算出の注目度）: 6.364545942101905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although deep learning models in medical imaging often achieve excellent classification performance, they can rely on shortcut learning, exploiting spurious correlations or confounding factors that are not causally related to the target task. This poses risks in clinical settings, where models must generalize across institutions, populations, and acquisition conditions. Feature disentanglement is a promising approach to mitigate shortcut learning by separating task-relevant information from confounder-related features in latent representations. In this study, we systematically evaluated feature disentanglement methods for mitigating shortcuts in medical imaging, including adversarial learning and latent space splitting based on dependence minimization. We assessed classification performance and disentanglement quality using latent space analyses across one artificial and two medical datasets with natural and synthetic confounders. We also examined robustness under varying levels of confounding and compared computational efficiency across methods. We found that shortcut mitigation methods improved classification performance under strong spurious correlations during training. Latent space analyses revealed differences in representation quality not captured by classification metrics, highlighting the strengths and limitations of each method. Model reliance on shortcuts depended on the degree of confounding in the training data. The best-performing models combine data-centric rebalancing with model-centric disentanglement, achieving stronger and more robust shortcut mitigation than rebalancing alone while maintaining similar computational efficiency.
• Abstract（参考訳）: 医用画像における深層学習モデルは、しばしば優れた分類性能を達成するが、それらはショートカット学習、急激な相関や、目的のタスクに因果関係のない要因を利用することができる。 これは、モデルが機関、人口、取得条件にまたがって一般化されなければならない臨床環境でのリスクを生じさせる。 特徴の絡み合いは、潜在表現において、タスク関連情報を共同創設者に関連する特徴から切り離すことによって、ショートカット学習を緩和する有望なアプローチである。 本研究では,医療画像におけるショートカットを緩和するための特徴的アンタングル化手法を体系的に評価し,従属性最小化に基づく対数学習や潜時空間分割を含む特徴的アンタングル化法について検討した。 人工および人工の2つの医療データセットの潜在空間解析を用いて,分類性能と乱れ品質を評価した。 また, コンバウンディングのレベルが異なる場合の頑健さについて検討し, 計算効率の比較を行った。 その結果, ショートカット緩和法は, 訓練中に強い刺激的相関の下で, 分類性能を向上することがわかった。 潜在空間解析により,分類指標によって捉えられていない表現品質の差異が明らかとなり,各手法の強度と限界が強調された。 ショートカットに対するモデル依存は、トレーニングデータにおけるコンファウンディングの程度に依存する。 最高のパフォーマンスモデルは、データ中心のリバランシングとモデル中心のリバランシングを組み合わせることで、同様の計算効率を維持しながら、単独でのリバランシングよりも強く、より堅牢なショートカット緩和を実現する。

関連論文リスト

• Preventing Shortcut Learning in Medical Image Analysis through Intermediate Layer Knowledge Distillation from Specialist Teachers [0.0]
  ディープラーニングモデルは、トレーニングデータの急激な相関と無関係な特徴を使って、問題に対するショートカットを学習する傾向がある。 医用画像解析などの高リスクアプリケーションでは、この現象は、予測を行うときに臨床的に意味のある特徴を使用するのを防ぐことができる。 本稿では,タスク関連データの小さなサブセットに微調整された教師ネットワークを活用して,ショートカット学習を緩和する新しい知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T17:18:35Z)
• Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
  カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。 本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
  論文  参考訳（メタデータ） (2025-07-01T04:14:16Z)
• Sub-Clustering for Class Distance Recalculation in Long-Tailed Drug Classification [3.015770349327888]
  薬物化学の分野では、特定の尾のクラスは、その特異な分子構造的特徴により、訓練中に高い識別性を示す。 本稿では,サンプルサイズに基づく従来の静的評価パラダイムから脱却する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T00:09:10Z)
• Boosting Few-Shot Learning with Disentangled Self-Supervised Learning and Meta-Learning for Medical Image Classification [8.975676404678374]
  低データ体制下で訓練されたモデルの性能と一般化能力を改善するための戦略を提案する。 提案手法は、自己教師付き学習環境において学習した特徴をアンタングル化して、下流タスクの表現の堅牢性を向上する事前学習段階から開始する。 次に、メタファインニングのステップを導入し、メタトレーニングとメタテストフェーズの関連クラスを活用するが、レベルは変化する。
  論文  参考訳（メタデータ） (2024-03-26T09:36:20Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
  ノイズラベルは、医学診断や自律運転などの領域で一般的である。 本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。 以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-16T16:43:24Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)
• 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)

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。