論文の概要: Feature-level Site Leakage Reduction for Cross-Hospital Chest X-ray Transfer via Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2604.00263v1
• Date: Tue, 31 Mar 2026 21:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.736405
• Title: Feature-level Site Leakage Reduction for Cross-Hospital Chest X-ray Transfer via Self-Supervised Learning
• Title（参考訳）: クロスホスピタル胸部X線伝達のための自己監督学習による特徴レベルのサイトリーク低減
• Authors: Ayoub Louaye Bouaziz, Lokmane Chebouba,
• Abstract要約: 胸部X線モデルにおけるクロスホスピタル障害は、しばしばドメインシフトに起因する。 本稿では, 現場の漏水を直接測定する方法と, その計測結果が伝達方法の結論をどう変えるかについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-hospital failure in chest X-ray models is often attributed to domain shift, yet most work assumes invariance without measuring it. This paper studies how to measure site leakage directly and how that measurement changes conclusions about transfer methods. We study multi-site self-supervised learning (SSL) and feature-level adversarial site confusion for cross-hospital transfer. We pretrain a ResNet-18 on NIH and CheXpert without pathology labels. We then freeze the encoder and train a linear pneumonia classifier on NIH only, evaluating transfer to RSNA. We quantify site leakage using a post hoc linear probe that predicts acquisition site from frozen backbone features $f$ and projection features $z$. Across 3 random seeds, multi-site SSL improves RSNA AUC from 0.6736 $\pm$ 0.0148 (ImageNet initialization) to 0.7804 $\pm$ 0.0197. Adding adversarial site confusion on $f$ reduces measured leakage but does not reliably improve AUC and increases variance. On $f$, site probe accuracy drops from 0.9890 $\pm$ 0.0021 (SSL-only) to 0.8504 $\pm$ 0.0051 (CanonicalF), where chance is 0.50. On $z$, probe accuracy drops from 0.8912 $\pm$ 0.0092 to 0.7810 $\pm$ 0.0250. These results show that measuring leakage changes how transfer methods should be interpreted: multi-site SSL drives transfer, while adversarial confusion exposes the limits of invariance assumptions.
• Abstract（参考訳）: 胸部X線モデルにおけるクロスホスピタル障害は、しばしばドメインシフトに起因するが、ほとんどの研究は測定せずに不均一を仮定する。 本稿では, 現場の漏水を直接測定する方法と, その計測結果が伝達方法の結論をどう変えるかについて検討する。 マルチサイト自己教師型学習(SSL)と,クロスホスピタル・トランスファーのための機能レベルの相違点について検討した。 NIH と CheXpert の ResNet-18 を病理検査なしで事前訓練する。 次に、エンコーダを凍結し、NIHのみに線形肺炎分類器を訓練し、RSNAへの移行を評価する。 ポストホック線形プローブを用いてサイトリークの定量化を行い、凍結したバックボーン機能から取得サイトを予測し、プロジェクション機能で$z$とする。 3つのランダムシード全体で、マルチサイトSSLはRSNA AUCを 0.6736$\pm$ 0.0148 (ImageNet initialization) から 0.7804$\pm$ 0.0197 に改善する。 逆サイト混乱を$f$に加えると、測定されたリークが減少するが、AUCを確実に改善せず、ばらつきが増す。 F$では、サイトプローブの精度は0.9890$\pm$ 0.0021(SSLのみ)から0.8504$\pm$ 0.0051(CanonicalF)に低下する。 z$の場合、プローブ精度は 0.8912 $\pm$ 0.0092 から 0.7810 $\pm$ 0.0250 に低下する。 これらの結果から,複数サイトSSLドライブの転送方法の解釈方法のリーク変化を計測し,逆方向の混乱が不均一な仮定の限界を露呈することを示した。

関連論文リスト

• When Does Margin Clamping Affect Training Variance? Dataset-Dependent Effects in Contrastive Forward-Forward Learning [0.0]
  コントラストフォワード(Contrastive Forward-Forward, CFF)学習は、教師付きコントラスト目標に対して、ビジョントランスフォーマーを層別に層状化する。 比較損失における正対辺のマージンは、類似度クランプの飽和により適用される。 対数確率の後にマージンを減じる別の定式化が、平均-上-正の還元の下で勾配ニュートラルであることを証明する。
  論文  参考訳（メタデータ） (2026-03-01T07:00:38Z)
• Not Just How Much, But Where: Decomposing Epistemic Uncertainty into Per-Class Contributions [1.2891210250935148]
  安全クリティカルな分類では、失敗のコストはしばしば非対称である。 MI をクラスごとのベクトル $C_k(x)=_k2/ (2_k)$, $_k=mathbbE[p_k]$ と $_k2=mathrmVar[p_k]$ に分解する。
  論文  参考訳（メタデータ） (2026-02-24T18:05:51Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• The Good, the Bad, and the Sampled: a No-Regret Approach to Safe Online Classification [25.36548531839979]
  本研究は, リスクが未知のロジスティックモデルによって管理される2次性疾患の結果に対して, 個人を順次検査する問題について考察する。 我々のゴールは、必要となるコストのかかるテストの総数を最小限に抑えながら、誤分類のごく一部が予め特定されたエラー耐性を超えないことを保証することです。 これにより、エラー制約のあるロジスティックテストに対する最初のノンレグレット保証が確立され、コストセンシティブな医療スクリーニングに直接適用される。
  論文  参考訳（メタデータ） (2025-10-01T15:28:00Z)
• Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders [0.0]
  本研究では,既存のアプローチで使用されている大規模学習済み畳み込みニューラルネットワーク(CNN)を置き換えるために,機能エンコーダモデルとして変分オートエンコーダ(VAE)を適用することを検討する。 VAEを使用する動機は、生成モデルがイメージを再構成することを目的としているため、データ全体にわたる視覚的特徴や意味のあるパターンを直接エンコードする。 提案したモデル「VAE-MLP」は,AUC 0.86 +/-0.05,感性 0.79 +/-0.06,および特異性を用いて,MRIデータセット上での最先端性能を実現した。
  論文  参考訳（メタデータ） (2025-07-15T18:20:38Z)
• Certified Robustness Under Bounded Levenshtein Distance [55.54271307451233]
  畳み込み型分類器のリプシッツ定数をレヴェンシュテイン距離に対して計算する最初の方法を提案する。 我々の方法であるLipsLevは、それぞれ18.80ドル%と13.93ドル%の精度を1ドルと2ドルで得ることができる。
  論文  参考訳（メタデータ） (2025-01-23T13:58:53Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。