論文の概要: Useful nonrobust features are ubiquitous in biomedical images

• arxiv url: http://arxiv.org/abs/2604.22579v1
• Date: Fri, 24 Apr 2026 14:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.493627
• Title: Useful nonrobust features are ubiquitous in biomedical images
• Title（参考訳）: バイオメディカル画像における有用非破壊的特徴のユビキタス化
• Authors: Coenraad Mouton, Randle Rabe, Niklas C. Koser, Nicolai Krekiehn, Christopher Hansen, Jan-Bernd Hövener, Claus-C. Glüer,
• Abstract要約: 我々は,5つのMedMNIST分類タスクにおいて,非破壊的特徴に基づくモデルの精度がかなり高いことを示す。 主にロバストな特徴に頼っている敵意の訓練されたモデルは、分配精度を犠牲にするが、制御された分散シフトの下では著しく性能が向上する。
• 参考スコア（独自算出の注目度）: 0.8431877864777443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study whether deep networks for medical imaging learn useful nonrobust features - predictive input patterns that are not human interpretable and highly susceptible to small adversarial perturbations - and how these features impact test performance. We show that models trained only on nonrobust features achieve well above chance accuracy across five MedMNIST classification tasks, confirming their predictive value in-distribution. Conversely, adversarially trained models that primarily rely on robust features sacrifice in-distribution accuracy but yield markedly better performance under controlled distribution shifts (MedMNIST-C). Overall, nonrobust features boost standard accuracy yet degrade out-of-distribution performance, revealing a practical robustness-accuracy trade-off in medical imaging classification tasks that should be tailored to the requirements of the deployment setting.
• Abstract（参考訳）: 医用画像の深層ネットワークが有用で非破壊的な特徴を学習するかどうか, 人間の解釈が不可能で, 対人的摂動に非常に敏感な予測入力パターン, およびこれらの特徴がテスト性能に与える影響について検討した。 5つのMedMNIST分類タスクにおいて,非破壊的特徴のみを訓練したモデルが精度良く達成できることを示し,その分布の予測値を確認した。 逆に、主にロバストな特徴に頼っている敵の訓練されたモデルは、分配精度を犠牲にするが、制御された分散シフト(MedMNIST-C)の下では著しく性能が向上する。 全体としては、非破壊機能は標準精度を向上するが、分配性能を低下させ、医療画像分類タスクにおける実用的な堅牢性-正確性トレードオフを明らかにし、デプロイメント設定の要件に合わせて調整されるべきである。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification [0.0]
  我々は、プロトタイプベースの学習と不確実性誘導ルーティングを組み込んだ修正型メディカルトランス(MedFormer)を強化する。 我々のフレームワークは、あいまいさをリアルタイムで定量化し、ローカライズすることができる。 この不確実性は単なるアウトプットではなく、トレーニングプロセスのアクティブな参加者であり、信頼性の低い機能更新をフィルタリングする。
  論文  参考訳（メタデータ） (2026-04-10T02:03:25Z)
• Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
  乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。 モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-25T08:06:07Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• AI in the Loop -- Functionalizing Fold Performance Disagreement to Monitor Automated Medical Image Segmentation Pipelines [0.0]
  臨床的実践に機械学習を安全に実装するためには、パフォーマンス予測が不十分なことを自動でフラグする手法が不可欠である。 本稿では、異なるデータセットの折りたたみ部で訓練されたサブモデルを用いて、容易に適用可能な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T21:35:23Z)
• On the Importance of Feature Separability in Predicting Out-Of-Distribution Error [25.995311155942016]
  そこで本研究では,分布シフト時のテスト精度を推定するために,特徴分散に基づくデータセットレベルスコアを提案する。 本手法は,表現学習における特徴の望ましい特性,すなわちクラス間分散とクラス内コンパクト性に着想を得たものである。
  論文  参考訳（メタデータ） (2023-03-27T09:52:59Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)

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。