論文の概要: Concept Inconsistency in Dermoscopic Concept Bottleneck Models: A Rough-Set Analysis of the Derm7pt Dataset
- arxiv url: http://arxiv.org/abs/2604.19323v1
- Date: Tue, 21 Apr 2026 10:45:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.728176
- Title: Concept Inconsistency in Dermoscopic Concept Bottleneck Models: A Rough-Set Analysis of the Derm7pt Dataset
- Title（参考訳）: 皮膚内視鏡的概念ボトルネックモデルにおける概念整合性:Derm7ptデータセットのラフセット解析
- Authors: Gonzalo Nápoles, Isel Grau, Yamisleydi Salgueiro,
- Abstract要約: コンセプト・ボトルネック・モデル (Concept Bottleneck Models, CBM) は臨床応用の概念層を通してのみ予測を行う。
本稿では、Derm7pt dermoscopyベンチマークにラフセット理論を適用し、不整合の全範囲と臨床構造を特徴付ける。
これにより理論的精度は92.1%となり、バックボーンアーキテクチャやトレーニング戦略とは無関係である。
- 参考スコア（独自算出の注目度）: 4.056581751389587
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Concept Bottleneck Models (CBMs) route predictions exclusively through a clinically grounded concept layer, binding interpretability to concept-label consistency. When a dataset contains concept-level inconsistencies, identical concept profiles mapped to conflicting diagnosis labels create an unresolvable bottleneck that imposes a hard ceiling on achievable accuracy. In this paper, we apply rough set theory to the Derm7pt dermoscopy benchmark and characterize the full extent and clinical structure of this inconsistency. Among 305 unique concept profiles formed by the 7 dermoscopic criteria of the 7-point melanoma checklist, 50 (16.4%) are inconsistent, spanning 306 images (30.3% of the dataset). This yields a theoretical accuracy ceiling of 92.1%, independent of backbone architecture or training strategy for CBMs that exclusively operate with hard concepts. In addition, we characterize the conflict-severity distribution, identify the clinical features most responsible for boundary ambiguity, and evaluate two filtering strategies with quantified effects on dataset composition and CBM interpretability. Symmetric removal of all boundary-region images yields Derm7pt+, a fully consistent benchmark subset of 705 images with perfect quality of classification and no hard accuracy ceiling. Building on this filtered dataset, we present a hard CBM evaluated across 19 backbone architectures from the EfficientNet, DenseNet, ResNet, and Wide ResNet families. Under symmetric filtering, explored for completeness, EfficientNet-B5 achieves the best label F1 score (0.85) and label accuracy (0.90) on the held-out test set, with a concept accuracy of 0.70. Under asymmetric filtering, EfficientNet-B7 leads across all four metrics, reaching a label F1 score of 0.82 and concept accuracy of 0.70. These results establish reproducible baselines for concept-consistent CBM evaluation on dermoscopic data.
- Abstract（参考訳）: 概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、臨床的に根拠付けられた概念層を通じてのみ予測をルートし、概念とラベルの整合性に相互に結合する。
データセットに概念レベルの矛盾がある場合、矛盾する診断ラベルにマッピングされた同一の概念プロファイルは、解決不可能なボトルネックを生み出し、達成可能な精度にハード天井を課す。
本稿では、Derm7pt dermoscopyベンチマークにラフセット理論を適用し、この不整合の完全な範囲と臨床的構造を特徴付ける。
7点メラノーマチェックリストの7点基準で作られた305のユニークな概念プロファイルのうち、50 (16.4%)は一貫性がなく、306の画像(データセットの30.3%)にまたがっている。
これにより理論的精度は92.1%となり、硬い概念でのみ動作するCBMのバックボーンアーキテクチャやトレーニング戦略とは無関係である。
さらに,紛争重大度分布を特徴づけ,境界曖昧性に最も寄与する臨床特徴を同定し,データセット組成とCBM解釈性に影響を及ぼす2つのフィルタリング戦略を評価する。
すべての境界領域画像の対称的除去により、Derm7pt+は705画像の完全一貫したベンチマークサブセットとなる。
このフィルタデータセットに基づいて、EfficientNet、DenseNet、ResNet、Wide ResNetファミリーの19のバックボーンアーキテクチャで評価されたハードなCBMを示す。
完全性のために探索された対称フィルタリングの下で、EfficientNet-B5は、保持されたテストセット上で最高のラベルF1スコア(0.85)とラベル精度(0.90)を、概念精度0.70で達成する。
非対称フィルタリングの下では、EfficientNet-B7は4つのメトリクス全てをリードし、ラベルF1スコアは0.82、概念精度は0.70に達した。
これらの結果から, 皮膚内視鏡データを用いたCBM評価のための再現性ベースラインが確立された。
関連論文リスト
- Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。
提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。
大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
論文 参考訳（メタデータ） (2026-04-16T11:03:11Z) - Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。
CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。
Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
論文 参考訳（メタデータ） (2026-04-02T11:50:29Z) - Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。
CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
論文 参考訳（メタデータ） (2026-03-05T19:37:49Z) - MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす
マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
論文 参考訳（メタデータ） (2026-01-03T14:58:52Z) - Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。
計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。
木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
論文 参考訳（メタデータ） (2025-12-31T05:32:13Z) - Knowledge Graph Augmented Large Language Models for Disease Prediction [24.992170033802537]
知識グラフ(KG)誘導チェーン・オブ・シント(CoT)フレームワークは,MIMIC-IIIにおける来院レベルの疾患予測のための臨床基礎的推論を生成する。
ICD-9コードはPrimeKGにマッピングされ、病気関連ノードとマルチホップ推論パスが抽出され、CoT生成のための足場として使用される。
KG誘導モデルは、AUROC値0.66から0.70、マクロAUPR値0.40から0.47を達成し、強力な古典的ベースラインを上回った。
盲目臨床評価では,KG誘導型CoT説明の明瞭度,関連性,臨床正当性に一貫した嗜好を示す。
論文 参考訳（メタデータ） (2025-12-01T02:49:17Z) - Concept-Aware Batch Sampling Improves Language-Image Pretraining [78.53540190580189]
Concept-Aware Batch Smpling (CABS)は、バッチをオンザフライで柔軟に構築する、シンプルで効果的なバッチサンプリングフレームワークである。
CABSはCLIP/SigLIPモデルクラスに有益であり,高性能なモデルが得られることを示す。
全体として、CABSはプロプライエタリなオンラインデータキュレーションアルゴリズムに代わる強力なオープンソースである。
論文 参考訳（メタデータ） (2025-11-25T18:58:07Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。
パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。
我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
論文 参考訳（メタデータ） (2025-06-05T06:39:43Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z)
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。