論文の概要: Chaos-Enhanced Prototypical Networks for Few-Shot Medical Image Classification

• arxiv url: http://arxiv.org/abs/2604.17300v1
• Date: Sun, 19 Apr 2026 07:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.448953
• Title: Chaos-Enhanced Prototypical Networks for Few-Shot Medical Image Classification
• Title（参考訳）: ファウショット医用画像分類のためのカオス強化型プロトタイプネットワーク
• Authors: Chinhtakuntla Meghan Sai, Murarisetty V Sai Kartheek, Sita Devi Bharatula, Karthik Seemakurthy,
• Abstract要約: Few-Shot Learningはコンピュータ支援診断にとって重要なフレームワークである。 標準の原型ネットワークは、脳腫瘍スキャンにおける形態的ノイズと高いクラス内分散に起因する「原型不安定性」に苦しむことが多い。 我々の作業は、非線形ロジスティックカオスモジュールを微調整されたResNet-18バックボーンに統合することで、これを最小化しようとしています。
• 参考スコア（独自算出の注目度）: 1.43494686131174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scarcity of labeled clinical data in oncology makes Few-Shot Learning (FSL) a critical framework for Computer Aided Diagnostics, but we observed that standard Prototypical Networks often struggle with the "prototype instability" caused by morphological noise and high intra-class variance in brain tumor scans. Our work attempts to minimize this by integrating a non-linear Logistic Chaos Module into a fine-tuned ResNet-18 backbone creating the Chaos-Enhanced ProtoNet(CE-ProtoNet). Using the deterministic ergodicity of the logistic chaos map we inject controlled perturbations into support features during episodic training-essentially for "stress testing" the embedding space. This process makes the model to converge on noise-invariant representations without increasing computational overhead. Testing this on a 4-way 5-shot brain tumor classification task, we found that a 15% chaotic injection level worked efficiently to stabilize high-dimensional clusters and reduce class dispersion. Our method achieved a peak test accuracy of 84.52%, outperforming standard ProtoNet. Our results suggest the idea of using chaotic perturbation as an efficient, low-overhead regularization tool, for the data-scarce regimes.
• Abstract（参考訳）: 腫瘍学におけるラベル付き臨床データの不足は,Few-Shot Learning (FSL) をコンピュータ支援診断にとって重要なフレームワークにしている。 当社の作業では、非線形ロジスティックカオスモジュールを微調整されたResNet-18バックボーンに統合して、Chaos-Enhanced ProtoNet(CE-ProtoNet)を作成することで、これを最小化しようとしています。 ロジスティックカオスマップの決定論的エルゴード性を用いて、埋め込み空間を「ストレステスト」するために、エピソードトレーニング中に制御された摂動をサポート機能に注入する。 このプロセスにより、計算オーバーヘッドを増大させることなく、モデルはノイズ不変表現に収束する。 これを4方向5ショットの脳腫瘍分類タスクで行ったところ,15%のカオス注入レベルが高次元クラスターの安定化とクラス分散の低減に有効であった。 提案手法は,84.52%のピークテスト精度を達成し,標準のProtoNetを上回った。 以上の結果から,カオス摂動を効率的な低オーバーヘッド正規化ツールとして活用するという考えが示唆された。

関連論文リスト

• rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks [1.2891210250935143]
  ニューラルネットワークのトレーニングを最小分散推定問題として定式化する。 本稿では,$S$-divergencesの一般クラスに基づく頑健な学習アルゴリズムであるrSDNetを紹介する。 この結果から,不均一なデータ汚染下での頑健なニューラルネットワーク分類の原則的,効果的な枠組みとして,最小分散学習が注目された。
  論文  参考訳（メタデータ） (2026-03-18T11:47:46Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
  ニューラルネットワークの実際のデータへの適応性を判断するための基準として、Adrialversa攻撃を用いることができる。 本稿では,ニューラルネットワークブロックと拡散正則性ブロックを1つのネットワークにアンロールしてエンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T17:08:43Z)
• CAVE-Net: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
  複雑な画像データセットを解析する際の診断精度を向上させるために,アンサンブルに基づくアプローチを提案する。 各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。 これらの手法を用いることで、提案フレームワークであるCAVE-Netは、ロバストな特徴識別と、より優れた分類結果を提供する。
  論文  参考訳（メタデータ） (2024-10-26T17:25:08Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Brain tumor grade classification Using LSTM Neural Networks with Domain Pre-Transforms [0.0]
  本稿では,手工芸品の組み合わせに基づく弱教師付き画像分類手法を提案する。 本研究では,脳腫瘍のグレードを実験的に分類し,256 x 256の解像度で術式の評価を行った。
  論文  参考訳（メタデータ） (2021-06-21T07:04:52Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。