論文の概要: AUCp: Pseudo-AUC for Inference Model Selection with Unlabeled Validation Data in Abnormality Detection
- arxiv url: http://arxiv.org/abs/2606.08742v1
- Date: Sun, 07 Jun 2026 17:24:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.425418
- Title: AUCp: Pseudo-AUC for Inference Model Selection with Unlabeled Validation Data in Abnormality Detection
- Title（参考訳）: AUCp: Pseudo-AUC for Inference Model Selection with Unlabeled Validation Data in Abnormality Detection
- Authors: Md Mahfuzur Rahman Siddiquee, Fazle Rafsani, Jay Shah, Teresa Wu, Catherine D Chong, Todd J Schwedt, Baoxin Li,
- Abstract要約: 異常検出は、医療画像解析において不可欠だが難しい課題である。
多くの研究は、複数のトレーニングイテレーションから推論のための最良のモデルを選択するためにラベル付き検証セットに依存している。
AUCpは、教師なしおよび自己監督的手法の異常検出をサポートする新しい計量である。
- 参考スコア（独自算出の注目度）: 7.217936242005966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Abnormality detection is a crucial yet challenging task in medical image analysis. Distinguishing abnormalities from normal data by learning to reconstruct normal-only data alleviates the reliance on labeled datasets. However, many studies, even if unsupervised, rely on a labeled validation set to select the best model for inference from multiple training iterations. For many diseases labeled data are unavailable and substantially time consuming to obtain. To address this, AUCp - a novel metric that supports abnormality detection for unsupervised and self-supervised methods is proposed. Instead of evaluating the realism of reconstructed images to select the best of model for inference, it focuses on actual detection performance and without requiring an annotated test set. Assuming the pseudo ground truth of all unannotated samples in the test set as abnormal/positive and using traditional AUC calculation, AUCp scores are derived. Given a large and representative training set of normal samples, we show mathematical and empirical evidence that model selection using AUCp scores improves disease detection in terms of unsupervised and self-supervised methods over conventional metrics. Using two unsupervised methods for neurologic disease detection and self-supervised methods on diverse datasets, our results demonstrate that the AUCp score effectively identifies the optimal model for inference, significantly enhancing abnormality and disease detection. The corresponding implementations are available in https://github.com/mahfuzmohammad/AUCp.
- Abstract（参考訳）: 異常検出は、医療画像解析において不可欠だが難しい課題である。
通常のデータから異常を排除し、通常のデータのみを再構築することで、ラベル付きデータセットへの依存を緩和する。
しかしながら、多くの研究は、たとえ教師なしであっても、複数のトレーニングイテレーションから推論のための最良のモデルを選択するためにラベル付き検証セットに依存している。
多くの疾患では、ラベル付きデータは利用できなくなり、入手にはかなり時間がかかる。
そこで,AUCp - 教師なし・自己監督的手法の異常検出を支援する新しい指標を提案する。
再構成された画像のリアリズムを評価して推論の最良のモデルを選択する代わりに、実際の検出性能に焦点を合わせ、注釈付きテストセットを必要としない。
テストセット内のすべての未注釈サンプルの疑似基底真理を異常/陽性と仮定し、従来のAUC計算を用いてAUCpスコアを導出する。
AUCpスコアを用いたモデル選択が従来の指標よりも教師なし,自己管理的な手法で疾患検出を改善するという数学的および実証的な証拠が得られた。
神経疾患検出のための2つの教師なし手法と,多種多様なデータセット上での自己管理手法を用いて,AUCpスコアが推論の最適モデルを効果的に同定し,異常や疾患検出の大幅な改善を図っていることを実証した。
対応する実装はhttps://github.com/mahfuzmohammad/AUCpで公開されている。
関連論文リスト
- When Normality Shifts: Risk-Aware Test-Time Adaptation for Unsupervised Tabular Anomaly Detection [10.496488689480097]
教師なしタブラル異常検出のためのリスク対応テスト時間適応法を提案する。
トレーニング中、コラボレーティブなデュアルタスク学習は、複数レベルの表現をキャプチャして、堅牢な正規化を前もって確立する。
テスト中、Test-Time Contrastive Learningモジュールはモデルを選択的に更新することで、適応リスクを明示的に説明する。
論文 参考訳（メタデータ） (2026-05-11T09:16:25Z) - Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。
意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。
10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T12:10:05Z) - Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。
InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。
InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-03-11T08:07:46Z) - Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。
ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。
我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
論文 参考訳（メタデータ） (2023-10-16T14:42:22Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T01:36:08Z) - Constrained Contrastive Distribution Learning for Unsupervised Anomaly
Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。
異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。
本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文 参考訳（メタデータ） (2021-03-05T01:56:58Z)
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。