論文の概要: SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition

• arxiv url: http://arxiv.org/abs/2607.16293v1
• Date: Mon, 13 Jul 2026 06:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.092244
• Title: SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition
• Title（参考訳）: SLT: Supermartingale-based Label transition を用いたノイズラベル医療画像分類のためのロバスト量子ニューラルネットワーク
• Abstract要約: 小規模の医用画像分類におけるノイズラベル学習は困難であり、ディープニューラルネットワークの優位性を妨げている。 近年の研究では、量子ニューラルネットワーク(QNN)が限られたデータレシエーションの可能性を示唆している。 ノイズラベルに基づく堅牢なQNNベースの医用画像分類のためのアンカーフリー損失補正フレームワークであるSupermartingale-based Label Transition (SLT)を提案する。
• 参考スコア（独自算出の注目度）: 7.9871241094193435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noisy-label learning in small-scale medical image classification is challenging and hinders the superiority of deep neural networks. Recent studies suggest that quantum neural networks (QNNs) have shown potential in limited-data regimes, yet their use for noisy-label learning remains under-explored. A key obstacle is QNNs' intrinsic "natural smoothness", which may regularize training but also obscure high-confidence samples needed for noise-transition estimation. We propose Supermartingale-based Label Transition (SLT), an anchor-free loss correction framework for robust QNN-based medical image classification under noisy labels. SLT models entropy reduction in predictive distributions as a supermartingale and uses its monotonic behavior to identify stable transition-matrix refinement steps. This enables dynamic transition updates while reducing noise-driven oscillations during QNN training. We further provide a convergence analysis showing that the proposed transition-refinement process reaches a steady state. Experiments on multiple public small-scale medical image datasets demonstrate that SLT consistently improves QNN-based classification and stably outperforms classic noise-label learning baselines under synthetic and real-world label noise.
• Abstract（参考訳）: 小規模の医用画像分類におけるノイズラベル学習は困難であり、ディープニューラルネットワークの優位性を妨げている。 近年の研究では、量子ニューラルネットワーク(QNN)は、限られたデータレシエーションにおいて可能性を示しているが、ノイズラベル学習には未探索のままである。 重要な障害は、QNNの本質的な「自然な滑らかさ」であり、これはトレーニングを規則化するが、ノイズ遷移推定に必要な高信頼度サンプルもあいまいにする。 ノイズラベルに基づく堅牢なQNNベースの医用画像分類のためのアンカーフリー損失補正フレームワークであるSupermartingale-based Label Transition (SLT)を提案する。 SLTは、予測分布のエントロピー還元をスーパーマーチンゲールとしてモデル化し、そのモノトニックな挙動を用いて安定な遷移行列精製ステップを同定する。 これにより、QNNトレーニング中のノイズ駆動振動を低減しつつ、動的遷移更新が可能になる。 さらに, 提案した遷移分極過程が定常状態に達することを示す収束解析を行った。 複数のパブリックな小規模医療画像データセットの実験により、SLTはQNNベースの分類を一貫して改善し、合成および実世界のラベルノイズの下で古典的なノイズラベル学習ベースラインを安定的に上回ることを示した。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• Quantum Probabilistic Label Refining: Enhancing Label Quality for Robust Image Classification [30.87772545335523]
  1ホットラベルでのソフトマックスのクロスエントロピーによる学習は、しばしばノイズや摂動下での過信的な予測や頑丈さの低下につながる。 本稿では、量子非決定性を利用してデータラベルを確率論的に洗練するハイブリッド量子古典フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-01T05:21:29Z)
• Stochastic Resonance Improves the Detection of Low Contrast Images in Deep Learning Models [0.19778256093887275]
  共鳴は、ある種のシステムにおける弱い信号の検出性を改善するためのノイズの有用性を記述している。 自然や工学的な設定で広く観察されているが、速度に基づくニューラルネットワークを用いた画像分類におけるその有用性は広く研究されていない。 その結果、周波数に基づくリカレントニューラルネットワークにおける共鳴の存在が示唆された。
  論文  参考訳（メタデータ） (2025-02-20T10:48:49Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• PADDLES: Phase-Amplitude Spectrum Disentangled Early Stopping for Learning with Noisy Labels [49.43183579415899]
  畳み込みニューラルネットワーク(CNN)は、学習パターンの優位性を示しているが、ラベルノイズに敏感であり、トレーニング中にノイズラベルをオーバーフィットさせる可能性がある。 早期停止戦略は、初期のトレーニングフェーズにおけるCNNの更新を回避し、ノイズラベルの存在下で広く採用されている。 提案手法は, 実世界のラベル・ノイズ・データセットの合成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-07T05:03:13Z)
• Establishment of Neural Networks Robust to Label Noise [0.0]
  本稿では,関連ラベルノイズ手法の基本概念について検討した。 遷移行列推定器が作成され、実際の遷移行列に対する効果が示されている。 複雑な畳み込みニューラルネットワークモデルを正しく調整できないため、遷移行列ノイズ補正が堅牢性向上に与える影響を効率よく示すことはできない。
  論文  参考訳（メタデータ） (2022-11-28T13:07:23Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。