論文の概要: Deep Neural Networks with Ordinal Loss for Medical Applications

• arxiv url: http://arxiv.org/abs/2606.25769v1
• Date: Wed, 24 Jun 2026 12:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.32906
• Title: Deep Neural Networks with Ordinal Loss for Medical Applications
• Title（参考訳）: 医療応用のための日常的損失を伴うディープニューラルネットワーク
• Abstract要約: 我々は、順序データから学習するための汎用的でアーキテクチャに依存しないアプローチであるtextbfOrdinal Cross-Entropy (OCE) フレームワークを導入する。 OCEは、既存の最先端の順序のアプローチと比較して、予測エラーコストの低減とキャリブレーションの改善を実現している。
• 参考スコア（独自算出の注目度）: 2.8496753993424817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many prediction problems in medical applications, target labels exhibit an inherent ordinal structure, where class ordering reflects clinically meaningful severity levels. The cost associated with misclassification is often non-uniform and asymmetric, as errors between distant ordinal categories may have substantially more severe consequences than errors between adjacent ones, and overestimating disease severity may have different clinical implications than underestimating it. Traditional loss functions such as multi-class cross-entropy treat all misclassifications equally and fail to incorporate this ordering information. Recent advances in ordinal regression aim to address this limitation by integrating rank-based structures into deep learning models. In this work, we introduce the \textbf{Ordinal Cross-Entropy (OCE)} framework, a general and architecture-independent approach for learning from ordinal data. The proposed method extends the standard cross-entropy formulation to account for misclassification severity through an ordinal cost matrix while preserving the probabilistic interpretation and optimization benefits of the conventional loss. We provide a theoretical analysis of the OCE gradient behavior and show that it yields smoother optimization dynamics and improved ordinal consistency. Experiments on benchmark datasets show that our method achieves lower prediction error costs and better calibration compared to existing state-of-the-art ordinal approaches, establishing OCE as a simple yet effective solution for ordinal regression in deep neural networks.
• Abstract（参考訳）: 医学応用における多くの予測問題において、ターゲットラベルは、臨床的に有意な重症度レベルを反映する、固有の順序構造を示す。 誤分類に伴うコストは、しばしば非一様で非対称であり、遠くの順序のカテゴリー間の誤差は、隣のカテゴリー間のエラーよりも著しく重大であり、過度に見積もる病気の重症度は、過小評価よりも臨床的に異なる可能性がある。 多クラスクロスエントロピーのような伝統的な損失関数は、すべての誤分類を等しく扱い、この順序付け情報を組み込むことができない。 順序回帰の最近の進歩は、ランクに基づく構造をディープラーニングモデルに統合することで、この制限に対処することを目的としている。 本稿では,順序データから学習するための汎用的かつアーキテクチャに依存しないアプローチであるtextbf{Ordinal Cross-Entropy (OCE) フレームワークを紹介する。 提案手法は,従来の損失の確率論的解釈と最適化の利点を保ちながら,通常のコスト行列による誤分類の深刻さを考慮に入れた標準的なクロスエントロピー定式化を拡張した。 我々は、OCE勾配の挙動の理論解析を行い、よりスムーズな最適化のダイナミクスと順序整合性の向上を示す。 ベンチマークデータセットを用いた実験により,提案手法は従来手法に比べて予測誤差コストの低減とキャリブレーションの向上を実現し,OCEを深層ニューラルネットワークにおける順序回帰の単純かつ効果的な解として確立した。

関連論文リスト

• Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning [7.643169473987673]
  マルチインスタンス学習(MIL)は、WSI(Whole Slide Image)診断において有望なパラダイムとして登場した。 本稿では,診断クラスを階層構造に整理する誤り重大度対応学習手法を提案する。 既存の方法と比較して,本手法はMIL診断における致命的誤りを著しく軽減することが示された。
  論文  参考訳（メタデータ） (2026-03-14T01:36:12Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• CLOC: Contrastive Learning for Ordinal Classification with Multi-Margin N-pair Loss [8.202961373604719]
  序列分類では、近隣の階級の誤分類は一般的であるが、これらの誤りの結果は同じではない。 順序分類のための新しいマージンベースコントラスト学習法であるCLOCを提案する。 CLOCは、新しいマルチマージンnペア損失による多重マージンの最適化に基づいて順序付き表現を学習する。
  論文  参考訳（メタデータ） (2025-04-22T22:23:30Z)
• Calibration of Ordinal Regression Networks [1.2242167538741824]
  ディープニューラルネットワークは十分に校正されておらず、しばしば自信過剰な予測を生成する。 オーディナル・アウェア・キャリブレーションを導入した新しい損失関数を提案する。 ソフト・オーディナル・エンコーディングとオーディナル・アウェア・正規化を取り入れ、キャリブレーションと一様性の両方を強制する。
  論文  参考訳（メタデータ） (2024-10-21T05:56:31Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Continuously Generalized Ordinal Regression for Linear and Deep Models [41.03778663275373]
  正規回帰は、クラスが順序を持ち、予測エラーが予測されたクラスが真のクラスからさらに大きくなるような分類タスクである。 本稿では,クラス固有の超平面斜面をモデル化するための新しい手法を提案する。 本手法は,順序回帰ベンチマークデータセットの完全セットに対して,標準順序ロジスティックモデルよりも大幅に優れる。
  論文  参考訳（メタデータ） (2022-02-14T19:49:05Z)
• Class Distance Weighted Cross-Entropy Loss for Ulcerative Colitis Severity Estimation [1.957338076370071]
  本稿では,クラス距離重み付きクロスエントロピー (CDW-CE) と呼ばれる新しい損失関数を提案する。 本研究では,授業の順序を尊重するクラス距離重み付きクロスエントロピー(CDW-CE)と呼ばれる新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2022-02-09T18:47:50Z)
• Deep Neural Networks for Rank-Consistent Ordinal Regression Based On Conditional Probabilities [3.093890460224435]
  ディープニューラルネットワークの正規回帰法は、順序応答変数に対処する。 重み付け制約を課すことで出力層タスク間のランク一貫性を実現する。 本稿では,この制限を伴わないランク一貫性の順序回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T01:10:23Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)

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。

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。