論文の概要: Shortcut Learning in Glomerular AI: Adversarial Penalties Hurt, Entropy Helps

• arxiv url: http://arxiv.org/abs/2604.07936v2
• Date: Fri, 10 Apr 2026 06:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 13:51:27.848286
• Title: Shortcut Learning in Glomerular AI: Adversarial Penalties Hurt, Entropy Helps
• Title（参考訳）: グローバルAIにおけるショートカット学習 - 逆罰とエントロピー支援
• Authors: Mohammad Daouk, Jan Ulrich Becker, Neeraja Kambham, Anthony Chang, Hien Van Nguyen, Chandra Mohan,
• Abstract要約: Stain variabilityは、腎AIにおける分散シフトと潜在的学習の広範な源である。 3つの中心と4つの染色からなる365 WSIから9,674個の糸球体パッチ(224$times$224)のマルチセンターのデータセットをキュレートする。 ベイジアンCNNとViTバックボーンをモンテカルロのドロップアウトで3つの設定で評価した。
• 参考スコア（独自算出の注目度）: 0.779547724026871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stain variability is a pervasive source of distribution shift and potential shortcut learning in renal pathology AI. We ask whether lupus nephritis glomerular lesion classifiers exploit stain as a shortcut, and how to mitigate such bias without stain or site labels. We curate a multi-center, multi-stain dataset of 9,674 glomerular patches (224$\times$224) from 365 WSIs across three centers and four stains (PAS, H&E, Jones, Trichrome), labeled as proliferative vs. non-proliferative. We evaluate Bayesian CNN and ViT backbones with Monte Carlo dropout in three settings: (1) stain-only classification; (2) a dual-head model jointly predicting lesion and stain with supervised stain loss; and (3) a dual-head model with label-free stain regularization via entropy maximization on the stain head. In (1), stain identity is trivially learnable, confirming a strong candidate shortcut. In (2), varying the strength and sign of stain supervision strongly modulates stain performance but leaves lesion metrics essentially unchanged, indicating no measurable stain-driven shortcut learning on this multi-stain, multi-center dataset, while overly adversarial stain penalties inflate predictive uncertainty. In (3), entropy-based regularization holds stain predictions near chance without degrading lesion accuracy or calibration. Overall, a carefully curated multi-stain dataset can be inherently robust to stain shortcuts, and a Bayesian dual-head architecture with label-free entropy regularization offers a simple, deployment-friendly safeguard against potential stain-related drift in glomerular AI.
• Abstract（参考訳）: Stain variabilityは、腎病理のAIにおける分布シフトと潜在的ショートカット学習の広範な源である。 ループス腎炎の糸球体病変分類法は,ステントをショートカットとして利用し,ステントやサイトラベルを使わずにそのバイアスを緩和する方法を問う。 我々は,3つの中心と4つの染色(PAS,H&E,Jones,Trichrome)からなる365 WSIから9,674個の糸球体パッチ(224$\times$224)のマルチセンター・マルチステインデータセットを,増殖と非増殖とラベル付けした。 1) 染色のみの分類, (2) 損傷と染色を同時予測する二重頭部モデル, (3) 染色頭部のエントロピー最大化によるラベルフリー染色正則化を伴う二重頭部モデル, の3つの設定でベイズ式CNNおよびViTバックボーンの評価を行った。 1)では、汚れの同一性は自明に学習可能であり、強い候補のショートカットを確認する。 2) 染色監督の強さと徴候の変化は, 染色性能を強く調節するが, 病変の指標は基本的に変化せず, マルチステア・マルチセンター・データセット上で測定可能なステンレス駆動型ショートカット学習は行わず, 過度に敵対的なステンレスペナルティは予測的不確実性をもたらす。 (3)エントロピーに基づく正規化では、病変の精度や校正を低下させることなく、ほぼ偶然に染色予測を行う。 全体として、慎重にキュレートされたマルチステインデータセットは、本質的にステンレスショートカットに対して堅牢であり、ラベルのないエントロピー正規化を備えたベイジアンデュアルヘッドアーキテクチャは、球状AIの潜在的なステンド関連ドリフトに対して、シンプルでデプロイフレンドリな保護を提供する。

関連論文リスト

• PinPoint: Monocular Needle Pose Estimation for Robotic Suturing via Stein Variational Newton and Geometric Residuals [3.1332682125418074]
  PinPointは手術針の位置と向きを推定するための確率的変動推論フレームワークである。 実際の針追跡シーケンスでは、PinPointは平均翻訳誤差を80%(1.00 mmまで)、回転誤差を78%(13.80まで)削減する。 単分子の曖昧さが最も重い誘導回転配列では、ピンポイントは2モーダル後部84%を維持している。
  論文  参考訳（メタデータ） (2026-03-24T15:59:28Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• A Unified View of Attention and Residual Sinks: Outlier-Driven Rescaling is Essential for Transformer Training [86.64715217940274]
  外接線は正規化と共に機能する。 アウトリーチは、コントリビュータではなく、再スケール要因として役立ちます。 外乱は学習可能なパラメータに吸収されるか、明示的なゲート再スケーリングによって緩和される。
  論文  参考訳（メタデータ） (2026-01-30T13:29:45Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• COIN: Confidence Score-Guided Distillation for Annotation-Free Cell Segmentation [2.5234274237739402]
  提案するCOIN(Confidence score-guided Instance distillation)は、3つの重要なステップを持つ新しいアノテーションフリーフレームワークである。 COINは最適なトランスポートを持つ教師なしセマンティックセグメンテーションを通じてエラーのないインスタンスの存在に対する感度を高める。 接地真理アノテーションの代替を提供し、接地真理アノテーションの代替を提供する。
  論文  参考訳（メタデータ） (2025-03-14T14:27:24Z)
• StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining [1.9029890402585894]
  ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。 ヘマトキシリンとエオシン(H&E)染色は、疾患の診断と腫瘍再発の追跡における病理の基準として広く見なされている。 その価値にもかかわらず、IHC染色は追加の時間と資源を必要とし、いくつかの臨床環境での使用を制限する。 近年のディープラーニングの進歩は、画像から画像への変換(I2I)を、IHCの計算的で費用対効果の高い代替手段として位置づけている。 我々は新しいマルチタスク拡散アーキテクチャであるSTAINDIFFを紹介する。
  論文  参考訳（メタデータ） (2024-03-17T20:47:52Z)
• FUSION: Fully Unsupervised Test-Time Stain Adaptation via Fused Normalization Statistics [1.3750624267664155]
  フュージョンは、教師なしテスト時間シナリオにおいて、ターゲットにモデルを調整することで、染色適応を促進する新しい方法である。 ターゲットのバッチ正規化統計を変更し、重み付け係数を使用してソース統計と融合することで機能する。 2つの公開データセットに関する包括的な実験によって示されるように、分類と密集予測(セグメンテーション)のための既存の等価アルゴリズムを超越している。
  論文  参考訳（メタデータ） (2022-08-30T12:33:08Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。