Fugu-MT 論文翻訳(概要): Steering Diffusion Models via Class-Contrastive Influence for Few-Shot Medical Classification

論文の概要: Steering Diffusion Models via Class-Contrastive Influence for Few-Shot Medical Classification

arxiv url: http://arxiv.org/abs/2607.12464v1
Date: Tue, 14 Jul 2026 07:45:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:30.080255
Title: Steering Diffusion Models via Class-Contrastive Influence for Few-Shot Medical Classification
Title（参考訳）: Few-Shot 医学分類のためのクラスコントラスト効果によるステアリング拡散モデル
Abstract要約: クラス・コントラスト・インフルエンス(Class-Contrastive Influence, C2I)は、クラス・コントラスト・インフルエンス(英語版) (class-Contrastive Influence, C2I) と呼ばれる、クラス・コントラスト・インフルエンス (class-Contrastive Influence, C2I) の基準である。我々は、高C2Iサンプルが、決定境界を洗練し、堅牢性を向上させるのに役立つ、硬く、境界に近い例であることを示す。
参考スコア（独自算出の注目度）: 15.393927572527828
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When labeled data are scarce, off-the-shelf diffusion models can augment training sets for few-shot medical image classification, but not all generated samples are equally useful for the downstream task. Existing approaches largely improve synthetic data by increasing realism, diversity, or domain adaptation, while overlooking a more fundamental question: how should sample usefulness for classification be measured and optimized? We address this with Class-Contrastive Influence (C2I), a criterion that quantifies a sample's usefulness through its gradient-based influence on the classifier. We find that effective samples exhibit a strong C2I gap: their loss gradients align with validation gradients from the same class and oppose those from other classes. Our analysis further suggests that such high-C2I samples are hard, boundary-proximal examples that help refine the decision boundary and improve robustness. Building on this insight, we fine-tune diffusion models with reinforcement learning using a C2I-based reward to steer generation toward class-informative samples. Across several few-shot medical imaging benchmarks, C2I-guided generation improves downstream accuracy and robustness over diffusion-based augmentation baselines, showing that synthetic augmentation is most effective when guided by task usefulness rather than image quality alone.
Abstract（参考訳）: ラベル付きデータが不足している場合、オフザシェルフ拡散モデルは、数ショットの医用画像分類のためのトレーニングセットを増強することができるが、すべての生成されたサンプルが下流タスクに等しく有用であるわけではない。既存のアプローチは、現実性、多様性、ドメイン適応を高めて、合成データを大幅に改善する一方で、より根本的な問題を見越す: 分類のためのサンプルの有用性をどうやって測定し、最適化するか? そこで本論文では, クラスコントラストの影響(C2I)に対処する。その結果, 有効サンプルはC2Iギャップが強く, 損失勾配は同一クラスからの検証勾配と一致し, 他クラスからの検証勾配に反することがわかった。さらに, これらの高C2Iサンプルは, 決定境界の洗練とロバスト性向上に役立つ, 硬く, 境界に近い例であることが示唆された。この知見に基づいて,C2Iに基づく報酬を用いた強化学習を用いた微調整拡散モデルを構築し,クラスインフォーマティブサンプルに対するステアジェネレーションについて検討した。数発の医用画像ベンチマークにおいて、C2I誘導生成は拡散ベースの拡張ベースラインよりも下流の精度と堅牢性を向上し、画像品質のみよりもタスク有用性によってガイドされる場合、合成増強が最も効果的であることを示した。

関連論文リスト

Few-Shot Synthetic Data Generation with Diffusion Models for Downstream Vision Tasks [36.94429692322632]
クラス不均衡は視覚認識において永続的な課題である。稀なクラスの20～50個の実画像にLoRAアダプタを微調整する,軽量な合成データ拡張パイプラインを提案する。
論文参考訳（メタデータ） (2026-05-12T10:11:57Z)
Synthetic Data Generation for Long-Tail Medical Image Classification: A Case Study in Skin Lesions [6.219934229461855]
長い尾の分布クラスは、マルチクラスの医療データセットで広く使われている。この制限は、まれなクラスが重篤または高リスクの疾患に対応することが多い医学的応用において特に問題となる。医療用長期分類に適した拡散モデル駆動型合成データ拡張パイプラインを提案する。
論文参考訳（メタデータ） (2026-05-04T23:18:22Z)
Cough Classification using Few-Shot Learning [0.7136933021609079]
我々は,限定ラベル付きデータの課題に対処するために,有声音のスペクトル表現を用いたプロトタイプネットワークを利用する。本研究は,従来の深層学習手法に匹敵する性能をモデルで実現できるかを評価する。実験結果から,数発の学習モデルが競合精度を達成できることが示唆された。
論文参考訳（メタデータ） (2025-09-11T14:56:47Z)
Conditional Diffusion Models are Medical Image Classifiers that Provide Explainability and Uncertainty for Free [0.7624308578421438]
本研究は,2次元医用画像分類のためのクラス条件拡散モデルの可能性を初めて探求するものである。そこで我々は,医療拡散分類器の性能向上を図るために,新しい多数決方式を開発した。 CheXpertとISICのメラノーマ皮膚がんデータセットの実験は、基礎と訓練されたスクラッチ拡散モデルが競争力を発揮することを示した。
論文参考訳（メタデータ） (2025-02-06T00:37:21Z)
Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文参考訳（メタデータ） (2023-12-07T18:37:43Z)
Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。 HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
論文参考訳（メタデータ） (2023-08-08T03:34:04Z)
Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
論文参考訳（メタデータ） (2023-03-28T17:59:56Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文参考訳（メタデータ） (2021-12-06T08:38:38Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)

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。