Fugu-MT 論文翻訳(概要): AGRI-Fidelity: Evaluating the Reliability of Listenable Explanations for Poultry Disease Detection

論文の概要: AGRI-Fidelity: Evaluating the Reliability of Listenable Explanations for Poultry Disease Detection

arxiv url: http://arxiv.org/abs/2603.18247v1
Date: Wed, 18 Mar 2026 20:12:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-20 17:19:05.834171
Title: AGRI-Fidelity: Evaluating the Reliability of Listenable Explanations for Poultry Disease Detection
Title（参考訳）: AGRI-Fidelity:Poultry Disease Detectionにおける可聴説明の信頼性の評価
Authors: Sindhuja Madabushi, Arda Dogan, Jonathan Liu, Dian Chen, Dong S. Ha, Sook Shin, Sam H. Noh, Jin-Hee Cho,
Abstract要約: AGRI-Fidelityは,空間的根拠のない養鶏病検出における聴取可能な説明のための信頼性指向評価フレームワークである。実データと制御されたデータセット全体で、AGRI-Fidelityは、マスキングベースのメトリクスに対して、すべてのデータポイントに対して信頼性に配慮した識別を効果的に提供する。
参考スコア（独自算出の注目度）: 4.2983704620741685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing XAI metrics measure faithfulness for a single model, ignoring model multiplicity where near-optimal classifiers rely on different or spurious acoustic cues. In noisy farm environments, stationary artifacts such as ventilation noise can produce explanations that are faithful yet unreliable, as masking-based metrics fail to penalize redundant shortcuts. We propose AGRI-Fidelity, a reliability-oriented evaluation framework for listenable explanations in poultry disease detection without spatial ground truth. The method combines cross-model consensus with cyclic temporal permutation to construct null distributions and compute a False Discovery Rate (FDR), suppressing stationary artifacts while preserving time-localized bioacoustic markers. Across real and controlled datasets, AGRI-Fidelity effectively provides reliability-aware discrimination for all data points versus masking-based metrics.
Abstract（参考訳）: 既存のXAIメトリクスは、1つのモデルに対する忠実度を測定し、近似最適分類器が異なるまたは刺激的な音響的手がかりに依存するモデル乗法を無視している。騒々しい農場環境では、換気ノイズのような定常的な人工物は、マスキングベースのメトリクスが冗長なショートカットをペナルティ化するのに失敗するため、忠実で信頼性の低い説明を生み出すことができる。本稿では,空間的根拠のない養鶏病検出における聴取可能な説明のための信頼性指向評価フレームワークAGRI-Fidelityを提案する。この手法は, 時間的局所的な生体音響マーカーを保存しながら, モデル間のコンセンサスと周期的時間的置換を組み合わせ, ヌル分布を構築し, False Discovery Rate (FDR) を計算する。実データと制御されたデータセット全体で、AGRI-Fidelityは、マスキングベースのメトリクスに対して、すべてのデータポイントに対して信頼性に配慮した識別を効果的に提供する。

関連論文リスト

Spatially Robust Inference with Predicted and Missing at Random Labels [2.5574009994099196]
交差フィットは空間分散推定器を歪ませ、不安定あるいは過度に保守的な信頼区間を生じる折りたたみレベルの相関を誘導することを示す。また、折りたたみ雑音から依存を分離するジャックニフェ空間異方性と自動整合性(HAC)の分散補正を提案する。
論文参考訳（メタデータ） (2026-03-11T23:14:21Z)
Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文参考訳（メタデータ） (2026-01-19T07:55:29Z)
Lightweight Self-Supervised Detection of Fundamental Frequency and Accurate Probability of Voicing in Monophonic Music [0.0]
本稿では,F0推定とVoicing推論のための軽量で完全自己教師型フレームワークを提案する。提案手法は競争力のあるクロスコーパス性能(RPA 95.84, RCA 96.24)を実現し,クロスインストラクトの一般化を実証する。
論文参考訳（メタデータ） (2026-01-16T20:46:33Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
Impute-MACFM: Imputation based on Mask-Aware Flow Matching [1.9483189922830135]
Impute-MACFMは、表計算のための条件付きフローマッチングフレームワークである。無作為性、無作為性、無作為性、無作為性、無作為性に対処する。軌道は欠落したエントリのみに設定され、予測速度は観測されたエントリでほぼゼロに抑えられる。
論文参考訳（メタデータ） (2025-09-27T05:15:09Z)
Ecologically Valid Benchmarking and Adaptive Attention: Scalable Marine Bioacoustic Monitoring [2.558238597112103]
GetNetUPAMは、現実的な可変性の下で安定性をモデル化するためのネストされたクロスバリデーションフレームワークである。データは異なるサイト年区分に分割され、記録を保存し、各バリデーションフォールドがユニークな環境サブセットを反映することを保証する。 ARPA-Nは、DenseNetベースラインに対する平均精度が14.4%向上し、すべてのメトリクスで対数2スケールのオーダー・オブ・マグニチュードが減少する。
論文参考訳（メタデータ） (2025-09-04T22:03:05Z)
FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
論文参考訳（メタデータ） (2025-08-08T11:34:01Z)
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)
AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
論文参考訳（メタデータ） (2023-11-16T02:56:29Z)
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。