論文の概要: Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

• arxiv url: http://arxiv.org/abs/2604.01834v1
• Date: Thu, 02 Apr 2026 09:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.658654
• Title: Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification
• Title（参考訳）: 重症度分類のためのランク付け誘導半監督ドメイン適応
• Authors: Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida,
• Abstract要約: そこで本研究では,クラス順にランク付けして学習したランクスコアを用いて,ソースドメインとターゲットドメインを整列する手法を提案する。 潰瘍性大腸炎および糖尿病網膜症分類の実験は,本法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 10.248787135466369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised domain adaptation leverages a few labeled and many unlabeled target samples, making it promising for addressing domain shifts in medical image analysis. However, existing methods struggle with severity classification due to unclear class boundaries. Severity classification involves naturally ordered class labels, complicating adaptation. We propose a novel method that aligns source and target domains using rank scores learned via ranking with class order. Specifically, Cross-Domain Ranking ranks sample pairs across domains, while Continuous Distribution Alignment aligns rank score distributions. Experiments on ulcerative colitis and diabetic retinopathy classification validate the effectiveness of our approach, demonstrating successful alignment of class-specific rank score distributions.
• Abstract（参考訳）: 半教師付きドメイン適応は、いくつかのラベル付きおよび多くのラベルなしターゲットサンプルを活用し、医療画像解析におけるドメインシフトに対処することを約束する。 しかし、既存の手法は、クラスの境界が不明確であるため、厳密な分類に苦慮している。 重度分類には自然に順序付けられたクラスラベルが含まれ、適応が複雑になる。 そこで本研究では,クラス順にランク付けして学習したランクスコアを用いて,ソースドメインとターゲットドメインを整列する手法を提案する。 具体的には、クロスドメインランキングはドメイン間でサンプルペアをランク付けし、Continuous Distribution Alignmentはランク付けスコアの分布を調整する。 潰瘍性大腸炎および糖尿病性網膜症分類の実験は,本手法の有効性を検証し,クラス別スコア分布のアライメントに成功した。

関連論文リスト

• Domain Adaptation Using Pseudo Labels [16.79672078512152]
  ラベル付き対象データがない場合、教師なしのドメイン適応アプローチは、ソースとターゲットドメインの限界分布を整合させようとする。 我々は,複数段階の擬似ラベル修正手法を用いて,対象ドメインの正確なラベルを決定するために事前訓練ネットワークをデプロイする。 複数のデータセットに対する結果から, 複雑な最先端技術と比較して, 簡単な手順の有効性が示された。
  論文  参考訳（メタデータ） (2024-02-09T22:15:11Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification [10.92984910426756]
  我々は,クラス不均衡な状況に頑健な半教師付きドメイン適応手法を開発した。 高純度クラスタを得るために,ロバストなクラスタリングパイプラインを提案する。 提案手法は, 高度にクラス不均衡な画像パッチを用いた実験において, 最先端の性能を示した。
  論文  参考訳（メタデータ） (2023-03-02T14:07:36Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Domain Adaptation with Auxiliary Target Domain-Oriented Classifier [115.39091109079622]
  ドメイン適応は、知識をラベルリッチだが異質なドメインからラベルケアドメインに転送することを目的としている。 最も一般的なSSLテクニックの1つは、ラベルのない各データに擬似ラベルを割り当てる擬似ラベル付けである。 我々はAuxiliary Target Domain-Oriented (ATDOC) と呼ばれる新しい擬似ラベリングフレームワークを提案する。 ATDOCは、ターゲットデータのみのための補助分類器を導入してバイアスを軽減し、擬似ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T15:01:35Z)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)
• A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
  普遍シナリオにおける教師なし領域適応の問題について検討する。 ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。 共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:28:43Z)

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。