Fugu-MT 論文翻訳(概要): Error-free Training for MedMNIST Datasets

論文の概要: Error-free Training for MedMNIST Datasets

arxiv url: http://arxiv.org/abs/2604.18916v2
Date: Fri, 24 Apr 2026 03:44:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-27 13:34:22.021841
Title: Error-free Training for MedMNIST Datasets
Title（参考訳）: MedMNISTデータセットの誤りのないトレーニング
Authors: Bo Deng,
Abstract要約: 我々は、分類問題に対する機械学習モデルに誤りのない訓練を施す、Artificial Special Intelligenceという新しい概念を導入する。この方法は18のMedMNISTバイオメディカルデータセットに適用される。
参考スコア（独自算出の注目度）: 0.609170287691728
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we introduce a new concept called Artificial Special Intelligence by which Machine Learning models for the classification problem can be trained error-free, thus acquiring the capability of not making repeated mistakes. The method is applied to 18 MedMNIST biomedical datasets. Except for three datasets, which suffer from the double-labeling problem, all are trained to perfection.
Abstract（参考訳）: 本稿では,分類問題に対する機械学習モデルに誤りのない訓練を施し,繰り返しの誤りを犯さない能力を得る,Artificial Special Intelligenceという新しい概念を提案する。この方法は18のMedMNISTバイオメディカルデータセットに適用される。ダブルラベル問題に苦しむ3つのデータセットを除いて、すべて完璧にトレーニングされています。

関連論文リスト

MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
論文参考訳（メタデータ） (2025-12-10T17:55:06Z)
DinoAtten3D: Slice-Level Attention Aggregation of DinoV2 for 3D Brain MRI Anomaly Classification [2.731729370870452]
医用画像の異常検出と分類は早期診断には重要であるが, 注釈付きデータ, クラス不均衡, 専門家によるラベル付けのコストが高いため, 依然として困難である。本稿では,3次元画像異常分類に特化して,注目に基づくグローバルアグリゲーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-09-15T23:31:40Z)
Multimodal Federated Learning With Missing Modalities through Feature Imputation Network [9.384737026881504]
マルチモーダル・フェデレート・ラーニングは、生データを共有せずに複数のソースからモデルを協調的に訓練する大きな可能性を秘めている。従来の手法は一般的に、欠落したモダリティを補うために、一般に利用可能な実際のデータセットや合成データに依存していた。欠落したモダリティのボトルネック特徴を再構築するための,軽量で低次元な特徴変換器を提案する。
論文参考訳（メタデータ） (2025-05-26T17:11:03Z)
Integration of Self-Supervised BYOL in Semi-Supervised Medical Image Recognition [10.317372960942972]
本稿では,自己教師付き学習を半教師付きモデルに統合し,医用画像認識を向上する,革新的なアプローチを提案する。提案手法はラベルのないデータを最適に活用し,医用画像認識の精度で既存の手法より優れている。
論文参考訳（メタデータ） (2024-04-16T09:12:16Z)
TOFU: A Task of Fictitious Unlearning for LLMs [99.92305790945507]
Webからの大量のコーパスに基づいてトレーニングされた大規模な言語モデルは、法的および倫理的懸念を提起する機密データやプライベートデータを再現することができる。トレーニングデータに存在する情報を忘れるためにモデルをチューニングするアンラーニングは、トレーニング後のプライベートデータを保護する手段を提供する。未学習の理解を深めるためのベンチマークであるTOFUを紹介する。
論文参考訳（メタデータ） (2024-01-11T18:57:12Z)
Complex Mixer for MedMNIST Classification Decathlon [12.402054374952485]
ラベル空間における情報不足と不確実性の問題を軽減するための事前学習フレームワークを備えた複合ミキサー(C-Mixer)を開発した。提案手法は,標準的なMedMNIST(v2)データセットと,カスタマイズされた弱教師付きデータセットの両方に驚くべき可能性を示す。
論文参考訳（メタデータ） (2023-04-20T02:34:36Z)
Are labels informative in semi-supervised learning? -- Estimating and leveraging the missing-data mechanism [4.675583319625962]
半教師付き学習は、ラベルのないデータを利用して機械学習モデルを改善するための強力な技術である。これは、あるクラスが他のクラスよりもラベル付けされる可能性が高い場合に発生する、情報的ラベルの存在に影響される可能性がある。本稿では,データ不足のメカニズムを推定し,逆確率重み付けを用いてSSLアルゴリズムを劣化させることにより,この問題に対処する新しい手法を提案する。
論文参考訳（メタデータ） (2023-02-15T09:18:46Z)
Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文参考訳（メタデータ） (2022-06-01T09:20:30Z)
Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
論文参考訳（メタデータ） (2020-02-05T02:06:56Z)
Leveraging Semi-Supervised Learning for Fairness using Neural Networks [49.604038072384995]
機械学習に基づく意思決定システムの公平性に対する懸念が高まっている。本稿では,ラベルのないデータから得られるニューラルネットワークを用いた半教師付きアルゴリズムを提案する。提案したSSFairと呼ばれるモデルは、ラベルのないデータの情報を活用して、トレーニングデータのバイアスを軽減する。
論文参考訳（メタデータ） (2019-12-31T09:11:26Z)

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。