論文の概要: Loss Invariance Determines What Concept Layers Encode: Volume Grounding in Echocardiography
- arxiv url: http://arxiv.org/abs/2607.25748v1
- Date: Tue, 28 Jul 2026 14:11:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.864767
- Title: Loss Invariance Determines What Concept Layers Encode: Volume Grounding in Echocardiography
- Title（参考訳）: 損失不変性は概念層がコードするものを決定する: エコー心電図におけるボリュームグラウンドリング
- Abstract要約: 左室容積を心エコー画像からの排液分画推定の基礎概念として用いた。
退行目標のみによるトレーニングと,ミリリットルのボリュームの監視を併用したトレーニングを比較した。
概念ボトルネックは、7.13の平均絶対誤差に対して6.89で、直接回帰と比較して射出率誤差を増大させることはなかった。
しかし、ボリュームの監督がなければ、予測されたボリュームの拡散は35.7ミリリットルと45.7ミリリットルの基準拡散に対して0.1ミリリットルまで低下した。
- 参考スコア（独自算出の注目度）: 4.110454468583892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Concept bottleneck models route prediction through interpretable intermediate variables, and their validity is normally judged by how accurately those variables are predicted. We ask whether that judgement is sufficient, using left ventricular volumes as the concepts underlying ejection fraction estimation from echocardiographic video. Methods: A video transformer encoder was trained on a publicly available echocardiography dataset. End-systolic and end-diastolic volumes formed a concept layer from which ejection fraction was computed analytically, with no residual path to the output. We compared training under an ejection fraction objective alone against training with additional supervision of the volumes in millilitres, and evaluated both on 1276 held-out studies. Results: The concept bottleneck did not increase ejection fraction error relative to direct regression, at 6.89 against 7.13 mean absolute error. Without volume supervision, however, the spread of predicted volumes collapsed to 0.1 millilitres against reference spreads of 35.7 and 45.7 millilitres, while correlation was partly preserved. We show that this follows from an invariance property of the objective: ejection fraction is a ratio and is unchanged when both volumes are rescaled, so the loss determines the concept layer only up to scale. Supervision in absolute units reduced volume error from 89.8 to 25.8 millilitres at a cost of 0.4 in ejection fraction error. Conclusion: Concept accuracy alone can conceal a concept layer that carries no physical scale. Significance: Interpretable intermediate variables in clinical models should be validated against the invariance structure of the training objective, not only against prediction accuracy.
- Abstract（参考訳）: 目的: 概念ボトルネックモデルは、解釈可能な中間変数を通して予測をルートし、それらの妥当性は通常、それらの変数がどれだけ正確に予測されるかによって判断される。
左室容積を心エコー画像からの誘発分画推定の基礎概念として用いて,その判断が十分かどうかを問う。
方法:ビデオトランスフォーマーエンコーダは、公開されている心エコー画像データセットに基づいて訓練された。
エンドシストリクスとエンドシストリクスの体積は、出力への残留経路を伴わず、分析的に放出率を計算した概念層を形成した。
本研究は, 単体単体での訓練と, ミリ細管内容積の監視を併用した訓練を比較し, 1276年式留置試験と1276年式の比較を行った。
結果: 平均絶対誤差7.13に対して6.89で, 直接回帰に対する射出率誤差は増加しなかった。
しかし、ボリュームの監督がなければ、予測されたボリュームの拡散は35.7ミリリットルと45.7ミリリットルの基準拡散に対して0.1ミリリットルまで減少し、相関関係は部分的に保存された。
吐出率(ejection fraction)は比であり、両方のボリュームが再スケールされたときに変化しないので、損失は概念層をスケールまでしか決定しない。
絶対単位のスーパービジョンは、体積誤差を89.8ミリリットルから25.8ミリリットルに減らし、放出分数誤差は0.4ドルであった。
結論: 概念精度だけで、物理的なスケールを持たない概念層を隠すことができる。
意義: 臨床モデルにおける解釈可能な中間変数は, 予測精度だけでなく, トレーニング対象の非分散構造に対して検証すべきである。
関連論文リスト
- The Loss Floor of Denoising Score Matching: Fisher Geometry from Schrödinger Bridges [4.661816556403101]
弱正則性仮定の下での一般的な汚職核について、これは条件付き終点族のフィッシャー・ラオ計量のトレースであることを示す。
この結果は、過度な経路空間相対エントロピーとして理想的目的が生じるシュル・オーディンガー橋変分原理から導かれる。
論文 参考訳（メタデータ） (2026-08-24T23:48:06Z) - Shortcut Learning in a Public Grape Disease Dataset: Annotation Granularity as a Modulator, Not a Cause [0.0]
テストセットmAP50の範囲はシード・ツー・シードノイズに匹敵する。
1つのクラスは全リーフレベルで注釈付けされる。
ブドウを含まない5156のクロス種画像では、偽陽性のボックスの65.7%が1つのクラスに該当する。
論文 参考訳（メタデータ） (2026-08-21T01:39:34Z) - Spatial Transport of Integration Error in Generative ODEs [1.8782750537161614]
数ステップの統合エラーがどこに注入され、どのようにエンドポイントに到達するのかを問う。
2562解像度の5つのモデルに対する摂動実験は、学習されたダイナミクスが局所的な乱れを広範囲に広げていることを示している。
この予測は、終端誤差が注入された大きさだけでなく、その符号、タイミング、学習された力学を通しての輸送に依存するため、部分的である。
論文 参考訳（メタデータ） (2026-07-17T12:38:56Z) - Prediction-Only Distillation in Linear and Logistic Regression [61.07540493350384]
自己蒸留は典型的には、学生が教師の元々のトレーニングインプットで再訓練されるときに研究される。
我々は、新しいX予測混合方式により、この予測のみの方式でSDを研究する。
二項ロジスティック回帰では、予測混合は教師と純蒸留の両方より優れていることを示す。
論文 参考訳（メタデータ） (2026-07-16T20:45:56Z) - DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - Epistemic Uncertainty Is Not the Reducible Kind [0.0]
定義と測度が拡張的に矛盾していることを証明する。
還元性は代わりに対の性質である(不確実性、取得クラス)。
観測値の正確な同一性は、分布内データがメカニズムに依存しない不確実性を決して減らさないことを示している。
論文 参考訳（メタデータ） (2026-06-10T20:16:21Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Robust Conformal Volume Estimation in 3D Medical Images [0.5799785223420274]
ボリュームトリは3次元医用画像セグメンテーションの主要な下流応用の1つである。
セグメンテーションモデルにより生成された圧縮潜在表現に基づく密度比推定の効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-07-29T12:18:07Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Interpretable (not just posthoc-explainable) medical claims modeling for
discharge placement to prevent avoidable all-cause readmissions or death [2.198760145670348]
我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。
我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。
2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
論文 参考訳（メタデータ） (2022-08-28T06:19:32Z) - Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。
これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。
画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-31T06:03:51Z)
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。