論文の概要: Towards Practical Algorithm Selection for Unsupervised Domain Adaptation in Medical Imaging
- arxiv url: http://arxiv.org/abs/2607.28125v1
- Date: Thu, 30 Jul 2026 12:34:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.553268
- Title: Towards Practical Algorithm Selection for Unsupervised Domain Adaptation in Medical Imaging
- Title(参考訳): 医用画像における教師なし領域適応のための実践的アルゴリズム選択に向けて
- Abstract要約: 非教師なしドメイン適応(UDA)アルゴリ(algori-thms)は存在するが、臨床実践においては、最も適したものを選択することは不明確である。
UDAのアルゴリズムとハイパーパラメータを共同で選択するラベルフリーな基準を提案する。
提案手法は,UDAの臨床展開のための実用的,ラベルなしなアルゴリズム選択に向けて一歩前進する。
- 参考スコア(独自算出の注目度): 0.4893345190925178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous unsupervised domain adaptation (UDA) algori-thms exist, but for clinical practice, selecting the best-suited one along with proper hyperparameters often remains unclear, as the unlabeled deployment (target) domain prevents direct evaluation. We propose a label-free criterion that jointly selects the algorithm and hyperparameters for UDA. Given a pool of candidate models from multiple algorithms trained with different hyperparameters, our approach scores each candidate against an agreement reference, and selects the one with the highest score. The agreement reference is constructed in two levels without using target labels. First, we leverage multiple label-free selection signals, using each to nominate a model within every algorithm. Second, the nominated models are aggregated across algorithms to form a reference prediction for each unlabeled target sample. The candidate whose predictions agree most with this reference is then selected for deployment. Experimental results on four brain MRI and four chest X-ray datasets across seven clinically relevant transfer scenarios show that our method achieves better selection performance than other methods and remains effective across different algorithm pools. Our approach takes a step towards practical, label-free algorithm selection for clinical deployment of UDA.
- Abstract(参考訳): 多数のUnsupervised domain adaptation (UDA) algori-thmsは存在するが、臨床実践においては、未ラベルの展開(ターゲット)ドメインが直接評価を妨げているため、適切なハイパーパラメータとともに最適なドメインを選択することは、しばしば不明である。
UDAのためのアルゴリズムとハイパーパラメータを共同で選択するラベルフリーな基準を提案する。
異なるハイパーパラメータで訓練された複数のアルゴリズムから候補モデルのプールが与えられると、我々のアプローチは、合意基準に対して各候補をスコアし、最も高いスコアを持つ候補を選択する。
合意基準は、目標ラベルを使わずに、2つのレベルで構成される。
まず,複数のラベルなし選択信号を利用し,各アルゴリズムのモデルを決定する。
第二に、推薦されたモデルはアルゴリズムにまたがって集約され、ラベルなしのターゲットサンプルごとに参照予測が作成される。
予測がこの参照に最もよく一致する候補がデプロイに選択される。
4つの脳MRIと4つの胸部X線データセットを臨床的に関係のある7つの移行シナリオで実験した結果、本手法は他の方法よりも優れた選択性能を示し、異なるアルゴリズムプールで有効であることがわかった。
提案手法は,UDAの臨床展開のための実用的,ラベルなしなアルゴリズム選択に向けて一歩前進する。
関連論文リスト
- How Far from Clinical Deployment? Evaluating the Complete Unsupervised Domain Adaptation Pipeline in Medical Imaging [0.4893345190925178]
臨床実践における教師なしドメイン適応(UDA)は、どのアルゴリズムを使うか、どの訓練されたモデルを出荷するかを選択する必要がある。
適応とラベルなしの選択の両方を考慮して、完全なUDAパイプラインを評価することで、この問題に対処する。
本研究は、9つの医用画像データセットから、11の臨床的に関連のあるクロスドメインシナリオをカバーし、10のUDAアルゴリズムと13のラベルなし選択方法(バリケータ)を用いて、合計80,000以上のトレーニングモデルを評価した。
論文 参考訳(メタデータ) (2026-08-12T13:19:14Z) - Domain Adaptation for Multi-label Image Classification: a Discriminator-free Approach [11.075823608370909]
本稿では, DDAMLIC for Unsupervised Image Classification (UDA) と呼ばれる, 識別不能な敵対的アプローチを提案する。
我々は、2成分ガウス混合モデル(GMM)を用いて、ソースとターゲットの予測の両方をモデル化し、2つの異なるクラスタを区別する。
提案するフレームワークは, 完全微分可能であるだけでなく, 標準EM法によって誘導される高価な反復プロセスを回避するため, コスト効率も高い。
論文 参考訳(メタデータ) (2025-05-20T13:18:20Z) - Multi-stage Retrieve and Re-rank Model for Automatic Medical Coding Recommendation [22.323705343864336]
国際疾患分類(ICD)は、医学的な分類体系である。
ICDインデックスの主な目的は、ICDコードのサブセットを医療記録に割り当てることである。
既存のほとんどのアプローチは、非常に大きなICDコレクションから適切なラベルサブセットを選択することに苦しんだ。
論文 参考訳(メタデータ) (2024-05-29T13:54:30Z) - Refined Pseudo labeling for Source-free Domain Adaptive Object Detection [9.705172026751294]
ソースフリーDは、未ラベルのターゲットデータのみを用いて、ソーストレーニングされた検出器をターゲット領域に適応させる。
既存のソースフリーD手法は、通常擬似ラベリングを利用しており、性能は信頼しきい値の選択に大きく依存している。
本稿では,各カテゴリに対して適切な閾値を適応的に提供する適応しきい値推定モジュールを提案する。
論文 参考訳(メタデータ) (2023-03-07T08:31:42Z) - A Reproducible and Realistic Evaluation of Partial Domain Adaptation
Methods [11.63848069914184]
Unsupervised Domain Adaptation (UDA) は、ラベル付けされていないターゲット画像の分類を目的としている。
本稿では、ターゲットドメインに存在しない余分なソースクラスが存在する部分ドメイン適応(PDA)のバリエーションについて考察する。
7つの異なるモデル選択戦略を用いて、2つの異なる実世界のデータセット上で7つの代表的PDAアルゴリズムを評価する。
論文 参考訳(メタデータ) (2022-10-03T20:01:29Z) - Contextual Active Model Selection [10.925932167673764]
本稿では,ラベル付けコストを最小限に抑えつつ,事前学習したモデルを積極的に選択する手法を提案する。
目的は、ラベル要求を制限しながら予測を行う最良のモデルを適応的に選択することである。
2つの新しいコンポーネントに依存した文脈的アクティブモデル選択アルゴリズムであるCAMSを提案する。
論文 参考訳(メタデータ) (2022-07-13T08:22:22Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - Tune it the Right Way: Unsupervised Validation of Domain Adaptation via
Soft Neighborhood Density [125.64297244986552]
本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。
私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
論文 参考訳(メタデータ) (2021-08-24T17:41:45Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-12-18T19:03:40Z) - SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。
我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
論文 参考訳(メタデータ) (2020-08-16T11:07:44Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-07-21T14:31:27Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z)
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。