論文の概要: Reliability-Aware Ensemble Classification Under Class Imbalance: A Calibration Study on Liquid-Based Cervical Cytology

• arxiv url: http://arxiv.org/abs/2607.09837v1
• Date: Fri, 10 Jul 2026 16:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.226585
• Title: Reliability-Aware Ensemble Classification Under Class Imbalance: A Calibration Study on Liquid-Based Cervical Cytology
• Title（参考訳）: クラス不均衡下での信頼性を考慮したアンサンブル分類:液性頸部細胞診の校正研究
• Abstract要約: 本稿では,Mendley LBCデータセットを用いたクラス不均衡とキャリブレーションを考慮したアンサンブル分類について述べる。 3つの軽量アーキテクチャは、重み付きランダムサンプリングを用いてMendley LBC上で直接訓練され、クラス不均衡に対処する。 その結果, キャリブレーションはアンサンブルサイズではなく, 信頼性の高いレバーであることがわかった。
• 参考スコア（独自算出の注目度）: 3.093890460224435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cervical cytology classification models are typically evaluated on curated, class-balanced benchmarks, but real-world liquid-based cytology (LBC) collections are often small and class-imbalanced. This paper presents a class-imbalance-aware and calibration-aware ensemble classification study on the Mendeley LBC dataset, using its native four-class Bethesda taxonomy (NILM, LSIL, HSIL, SCC) rather than a collapsed binary formulation. Three lightweight architectures (Swin-Tiny, TinyViT-5M, DenseNet121) are trained directly on Mendeley LBC using weighted random sampling to counteract class imbalance, and compared against two soft-voting ensembles (Hybrid-2, Hybrid-3). Post-hoc temperature scaling is fit on a held-out calibration subset carved out of the training portion of each cross-validation fold, distinct from both the training data used to fit model weights and the evaluation fold used for final metrics, avoiding the optimistic calibration estimates that result when the same data is used for both purposes. Calibration substantially reduces expected calibration error, Brier score, and negative log-likelihood for every model and ensemble configuration tested, while discrimination metrics (accuracy, macro-F1, macro-AUROC) remain essentially unchanged. Ensemble size shows no consistent additional reliability benefit over the best individual model once all configurations are properly calibrated. Confusion matrices show that all classification errors, across every configuration, are confined to the boundary between high-grade lesions (HSIL) and carcinoma (SCC); no errors involve the negative (NILM) or low-grade (LSIL) categories. These results suggest that, for this dataset, calibration is the dominant lever for reliability, not ensemble size, though this conclusion should be read in light of the dataset's modest size.
• Abstract（参考訳）: Cervical cytology classification modelは典型的には、培養されたクラスバランスのベンチマークで評価されるが、実際の液体ベースの細胞診(LBC)コレクションは、しばしば小さく、クラスバランスの取れていない。 本稿では,Mendeley LBCデータセットのクラスアンバランス・アウェア・キャリブレーション・アウェア・アンサンブル分類について,そのネイティブ4クラスであるBethesda分類法(NILM, LSIL, HSIL, SCC)を用いて検討した。 3つの軽量アーキテクチャ(Swin-Tiny, TinyViT-5M, DenseNet121)は、重み付きランダムサンプリングを用いてメンデレーLBC上で直接訓練され、2つのソフト発声アンサンブル(Hybrid-2, Hybrid-3)と比較される。 各クロスバリデーションフォルダのトレーニング部から切り出された保持されたキャリブレーションサブセットに、モデルウェイトに合うトレーニングデータと最終測定値に使用する評価フォールドとを区別し、両方の目的で同じデータが使用される場合の結果の楽観的なキャリブレーション推定を回避する。 キャリブレーションは、期待されるキャリブレーション誤差、ブライアスコア、テストされたすべてのモデルとアンサンブル構成に対する負のログライクレーションを著しく低減するが、識別指標(精度、マクロF1、マクロAUROC)は基本的に変化しない。 アンサンブルサイズは、すべての設定が適切に調整されると、最高の個々のモデルに対して、一貫した信頼性上のメリットを示す。 コンフュージョン行列は、すべての分類誤差が、ハイグレード病変(HSIL)とがん(SCC)の境界に限られていることを示している。 これらの結果は、このデータセットではキャリブレーションがアンサンブルサイズではなく、信頼性の高いレバーであることを示しているが、この結論はデータセットの最も控えめなサイズに照らして読み取るべきである。

関連論文リスト

• Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction [3.093890460224435]
  本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
  論文  参考訳（メタデータ） (2026-09-01T02:30:41Z)
• Equilibrium contrastive learning for imbalanced image classification [5.198140836737882]
  コントラスト学習(CL)は画像分類において主要な手法であるが,不均衡なデータセットによる限られた性能を示した。 近年, 理想的な正則な幾何学的構成を促進するために, いくつかの教師付きCL法が提案されている。 本稿では,幾何平衡を促進するために設計されたCLフレームワークであるEquilibrium Contrastive Learning (ECL)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T08:07:56Z)
• Classifier Calibration at Scale: An Empirical Study of Model-Agnostic Post-Hoc Methods [0.0]
  教師付き二項分類における確率的予測を改善するためのモデル非依存のポストホック校正法について検討した。 我々は、線形モデル、SVM、ツリーアンサンブル(CatBoost、XGBoost、LightGBM)を含む21の広く使われている分類器をベンチマークした。 一般的な校正手順,特にプラットスケーリングと等調回帰は,適切なスコアリング性能を体系的に低下させる可能性がある。
  論文  参考訳（メタデータ） (2026-01-19T18:23:36Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models [49.588973929678765]
  CalibrateMixは、SSLモデルのキャリブレーションを改善することを目的とした、ミックスアップベースのアプローチである。 提案手法は,既存のSSL手法と比較して,期待校正誤差(ECE)の低減と精度の向上を実現している。
  論文  参考訳（メタデータ） (2025-11-17T04:43:53Z)
• Uncertainty Calibration of Multi-Label Bird Sound Classifiers [2.3510007132962203]
  生体音響学において、キャリブレーションは、重なり合う発声、長い尾を持つ種分布、訓練データと展開データの間の分布シフトによって挑戦される。 我々は、BirdSetベンチマークにおいて、4つの最先端のマルチラベル音声分類器の校正をベンチマークし、グローバル、データセットごと、クラスごとの校正の両方を評価した。
  論文  参考訳（メタデータ） (2025-11-11T13:54:59Z)
• Beyond One-Hot Labels: Semantic Mixing for Model Calibration [22.39558434131574]
  textbfCalibration-aware Semantic Mixing (CSM) は、クラス特性の混合したトレーニングサンプルを生成する新しいフレームワークである。 我々はCSMが最先端のキャリブレーション手法よりも優れたキャリブレーションを実現することを示す。
  論文  参考訳（メタデータ） (2025-04-18T08:26:18Z)
• Classifier Calibration with ROC-Regularized Isotonic Regression [0.0]
  等方性回帰を用いてモノトン変換による校正集合上のクロスエントロピーを最小化する。 IRは適応的なバイナリ処理として機能し、キャリブレーション誤差をゼロにすることができるが、性能への影響は未解決である。 この一般単調な基準は、クロスエントロピー損失の低減と校正セットの過度な適合の回避のバランスを打つのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-21T08:45:09Z)
• Learning in Imperfect Environment: Multi-Label Classification with Long-Tailed Distribution and Partial Labels [53.68653940062605]
  新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。 その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。 textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
  論文  参考訳（メタデータ） (2023-04-20T20:05:08Z)
• Enabling Calibration In The Zero-Shot Inference of Large Vision-Language Models [58.720142291102135]
  プロンプト、データセット、アーキテクチャといった関連する変数のキャリブレーションを測定し、CLIPによるゼロショット推論が誤校正されていることを見つけます。 学習した1つの温度は、推論データセットにまたがって特定のCLIPモデルごとに一般化され、選択が促される。
  論文  参考訳（メタデータ） (2023-03-11T17:14:04Z)
• Prototypical Calibration for Few-shot Learning of Language Models [84.5759596754605]
  GPTライクなモデルは、さまざまな手作りテンプレートやデモ順列にまたがる脆弱であると認識されている。 ゼロショットと少数ショットの分類において、より堅牢な決定境界を適応的に学習するためのプロトタイプキャリブレーションを提案する。 提案手法は決定境界を期待通りに校正し,テンプレート,置換,クラス不均衡に対するGPTの堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-05-20T13:50:07Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)

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。