論文の概要: A multimodal slice discovery framework for systematic failure detection and explanation in medical image classification

• arxiv url: http://arxiv.org/abs/2602.24183v1
• Date: Fri, 27 Feb 2026 17:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.531473
• Title: A multimodal slice discovery framework for systematic failure detection and explanation in medical image classification
• Title（参考訳）: 医用画像分類における系統的故障検出と説明のためのマルチモーダルスライス発見フレームワーク
• Authors: Yixuan Liu, Kanwal K. Bhatia, Ahmed E. Fetit,
• Abstract要約: 既存の監査アプローチは、unimodal機能やメタデータベースのサブグループ分析に依存している。 本稿では,スライス発見手法をマルチモーダル表現に拡張する最初の自動監査フレームワークを紹介する。 MIMIC-CXR-JPGデータセットを用いた総合的な実験を行った。
• 参考スコア（独自算出の注目度）: 2.173091573209431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite advances in machine learning-based medical image classifiers, the safety and reliability of these systems remain major concerns in practical settings. Existing auditing approaches mainly rely on unimodal features or metadata-based subgroup analyses, which are limited in interpretability and often fail to capture hidden systematic failures. To address these limitations, we introduce the first automated auditing framework that extends slice discovery methods to multimodal representations specifically for medical applications. Comprehensive experiments were conducted under common failure scenarios using the MIMIC-CXR-JPG dataset, demonstrating the framework's strong capability in both failure discovery and explanation generation. Our results also show that multimodal information generally allows more comprehensive and effective auditing of classifiers, while unimodal variants beyond image-only inputs exhibit strong potential in scenarios where resources are constrained.
• Abstract（参考訳）: 機械学習ベースの医療画像分類器の進歩にもかかわらず、これらのシステムの安全性と信頼性は、実際的な設定において大きな関心事である。 既存の監査アプローチは主に、解釈可能性に制限があり、隠れた体系的な障害を捕捉できないような、一過性の特徴やメタデータベースのサブグループ分析に依存している。 これらの制約に対処するために,スライス発見手法を医療応用に特化したマルチモーダル表現に拡張する,最初の自動監査フレームワークを導入する。 MIMIC-CXR-JPGデータセットを用いて、一般的な障害シナリオ下で包括的な実験を行った。 また,マルチモーダル情報により分類器のより包括的かつ効果的な監査が可能であり,画像のみの入力以外の一様変種は資源の制約のあるシナリオにおいて強い可能性を示す。

関連論文リスト

• ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
  ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。 ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
  論文  参考訳（メタデータ） (2026-02-13T14:33:13Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• When One Modality Sabotages the Others: A Diagnostic Lens on Multimodal Reasoning [22.39245479538899]
  本報告では,高信頼な一元誤差が他の証拠をオーバーライドし,融合結果を誤認する診断障害モードであるモダリティ・サボタージュを導入する。 モデル非依存評価層は、各モダリティをエージェントとして扱い、候補ラベルと監査に用いる簡単な自己評価を生成する。 単純な融合機構はこれらの出力を集約し、コントリビュータ(正しい結果を支持するモダリティ)とサボツール(誤解を招くモダリティ)を露呈する。
  論文  参考訳（メタデータ） (2025-11-04T18:20:13Z)
• Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems [0.42970700836450487]
  本稿では,半教師付きオープンセット故障診断(SOFD)フレームワークを提案する。 本フレームワークは、教師付き特徴学習モデルにより抽出された多層融合特徴表現を用いて、ラベルなしテストサブセットを選択する信頼性サブセット構築プロセスを含む。 ラベル付きトレーニングセットと擬似ラベル付きテストサブセットは、半教師付き診断モデルに入力され、各クラスの識別的特徴を学習し、既知の障害の正確な分類と未知のサンプルの効果的な検出を可能にする。
  論文  参考訳（メタデータ） (2025-11-03T06:06:25Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• BenchReAD: A systematic benchmark for retinal anomaly detection [23.15668882564837]
  データとアルゴリズムの観点から総合的かつ体系的な網膜異常検出のためのベンチマークを導入する。 異常の非交叉表現(DRA)を利用した完全教師付きアプローチは、最高の性能を達成できるが、ある異常な異常に遭遇した場合、性能が著しく低下する。 本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和するNFM-DRAを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:08Z)
• Robust Multimodal Learning for Ophthalmic Disease Grading via Disentangled Representation [30.697291934309206]
  医療機器の欠如とデータのプライバシーに関する懸念により、マルチモーダルデータは現実世界のアプリケーションではまれである。 伝統的な深層学習法は一般に、潜在空間における表現の学習によってこれらの問題に対処する。 著者らはEssence-Point and Disentangle Representation Learning (EDRL)戦略を提案している。
  論文  参考訳（メタデータ） (2025-03-07T10:58:38Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• TVDiag: A Task-oriented and View-invariant Failure Diagnosis Framework with Multimodal Data [11.373761837547852]
  マイクロサービスベースのシステムは、複雑なインタラクションとスケールの拡大によって、信頼性上の問題に悩まされることが多い。 単一モードのデータを使用する従来の障害診断方法は、制限された情報のため、すべての障害シナリオをほとんどカバーできない。 我々は,マルチモーダルな障害診断フレームワークである textitTVDiag を提案する。
  論文  参考訳（メタデータ） (2024-07-29T05:26:57Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
  この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。 バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
  論文  参考訳（メタデータ） (2023-02-03T14:57:40Z)

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。