Fugu-MT 論文翻訳(概要): Quantifying Explainable AI-introduced signal noise on ECG data with Spectral Entropy

論文の概要: Quantifying Explainable AI-introduced signal noise on ECG data with Spectral Entropy

arxiv url: http://arxiv.org/abs/2606.24974v1
Date: Tue, 23 Jun 2026 11:47:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:05:30.077203
Title: Quantifying Explainable AI-introduced signal noise on ECG data with Spectral Entropy
Title（参考訳）: スペクトルエントロピーを用いたECGデータにおける説明可能なAI導入信号ノイズの定量化
Authors: David A. Kelly, Nathan Blake,
Abstract要約: XAI出力におけるノイズの尺度としてスペクトルエントロピーを用いることを提案する。我々は、ECGデータセットにおける不整脈の分類の文脈において、その有用性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Explainability techniques are used to assess the output of various deep learning models. This is especially true in healthcare, where models need to be trusted and decisions justified. Explainability (XAI) tools use heuristics which often add signal noise to the explanation "core". It is not always obvious what is signal from the model and what is noise from the XAI. We propose the use of spectral entropy as a measure of noise in XAI output. We demonstrate its usefulness in the context of classifying arrhythmias in an ECG dataset with different post hoc explainability techniques.
Abstract（参考訳）: 様々なディープラーニングモデルの出力を評価するために、説明可能性技術が使用される。これは、モデルを信頼し、決定を正当化する必要がある医療において特に当てはまります。説明可能性(XAI)ツールは、しばしば"core"という説明に信号ノイズを加えるヒューリスティックを使用する。モデルからの信号とXAIからのノイズは必ずしも明確ではない。 XAI出力におけるノイズの尺度としてスペクトルエントロピーを用いることを提案する。本研究は,心電図データセットにおける不整脈の分類の文脈における有用性を示すものである。

関連論文リスト

A Framework for Evaluating Faithfulness in Explainable AI for Machine Anomalous Sound Detection Using Frequency-Band Perturbation [37.2521660642532]
機械音響解析におけるXAI忠実度を評価するための新しい定量的枠組みを提案する。我々は,XAI技術が信頼性に違いがあることを示し,Occlusionは真のモデル感度と最強のアライメントを示す。
論文参考訳（メタデータ） (2026-01-26T23:06:50Z)
Explainability of CNN Based Classification Models for Acoustic Signal [0.0]
北米各地の地理的な変化が強い鳥類の発声について検討した。モデルの予測を解釈するために、モデル非依存(LIME, SHAP)とモデル固有(DeepLIFT, Grad-CAM)XAI技術を適用した。これらのテクニックは異なるが相補的な説明を生み出し、それらの説明が一緒に検討されると、モデルの意思決定に関するより完全で解釈可能な洞察を提供した。
論文参考訳（メタデータ） (2025-09-10T16:11:01Z)
Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文参考訳（メタデータ） (2023-10-11T20:48:20Z)
Complex-valued neural networks for voice anti-spoofing [1.1510009152620668]
現在のアンチスプーフィングおよびオーディオディープフェイク検出システムは、CQTやメルスペクトログラムのような等級スペクトルベースの特徴または畳み込みやシンク層によって処理される生オーディオを使用する。本稿では,複雑な数値ニューラルネットワークを用いて入力音声を処理することにより,両手法の利点を組み合わせた新しい手法を提案する。その結果、この手法は"In-the-Wild"アンチスプーフィングデータセットの従来の手法よりも優れており、説明可能なAIによる結果の解釈を可能にしていることがわかった。
論文参考訳（メタデータ） (2023-08-22T21:49:38Z)
Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
論文参考訳（メタデータ） (2023-08-03T08:31:31Z)
Instance-dependent Label-noise Learning under a Structural Causal Model [92.76400590283448]
ラベルノイズはディープラーニングアルゴリズムの性能を劣化させる。構造因果モデルを活用することにより,実例依存型ラベルノイズ学習のための新しい生成手法を提案する。
論文参考訳（メタデータ） (2021-09-07T10:42:54Z)
Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文参考訳（メタデータ） (2021-02-22T13:10:12Z)
A Generative Adversarial Approach To ECG Synthesis And Denoising [0.0]
本稿では,GANを用いて現実的なECG信号を生成する手法を提案する。我々はこれらを利用してECG信号の最先端のフィルタリング品質を実現するデノナイズオートエンコーダを訓練し評価する。
論文参考訳（メタデータ） (2020-09-06T10:17:33Z)
AudioMNIST: Exploring Explainable Artificial Intelligence for Audio Analysis on a Simple Benchmark [12.034688724153044]
本稿では,音声領域におけるディープニューラルネットワークの時間後説明について検討する。本稿では,3万個の英単語の音声サンプルからなるオープンソース音声データセットを提案する。人間のユーザ研究において、視覚的説明よりも可聴説明の方が優れた解釈可能性を示す。
論文参考訳（メタデータ） (2018-07-09T23:11:17Z)

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。