論文の概要: When Oracle Conditioning Misleads Deployment: Conditioning-Availability Bias in Echocardiographic Segmentation

• arxiv url: http://arxiv.org/abs/2608.03342v1
• Date: Tue, 04 Aug 2026 08:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.105896
• Title: When Oracle Conditioning Misleads Deployment: Conditioning-Availability Bias in Echocardiographic Segmentation
• Title（参考訳）: Oracleのコンディショニングがデプロイを誤解した時: エコー心電図のセグメンテーションにおけるコンディショニング-アベイラビリティのバイアス
• Authors: Dang P. M. Cao, Hieu D. Pham, Hieu Pham,
• Abstract要約: 条件付きセグメンテーションモデルは、デプロイ時に利用可能なものよりも、補助的な信号で訓練され、評価される。 本研究では,位相条件心エコー区分けにおけるショートカット学習のプロトコルレベルと補助変数シフトについて検討する。
• 参考スコア（独自算出の注目度）: 2.5251810791515723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional segmentation models may be trained and evaluated with auxiliary signals cleaner than those available at deployment. We study this protocol-level manifestation of shortcut learning and auxiliary-variable shift in phase-conditioned echocardiographic segmentation. The complementary gap pair measures loss on the deployable oracle-estimated pathway and probes sensitivity on the oracle-random pathway. On held-out CAMUS data, one strong-cyclic, oracle-selected run fails severely with estimated phase, while sensitivity to incorrect phase persists across three runs. On EchoNet-Dynamic, the current estimator remains usable, but random-phase testing reveals strong latent sensitivity. Deployment-aware checkpoint selection and phase perturbation reduce both gaps with little change in mean Dice. Exploratory subgroup analyses quantify variation across measured strata, and a downstream ejection fraction (EF) audit shows that recovering segmentation does not necessarily recover EF error or signed bias. Together, the gaps test whether oracle-conditioned performance survives the inference pathway actually available at deployment.
• Abstract（参考訳）: 条件付きセグメンテーションモデルは、デプロイ時に利用可能なものよりも、補助的な信号で訓練され、評価される。 本研究では,位相条件心エコー区分けにおけるショートカット学習のプロトコルレベルと補助変数シフトについて検討する。 補間ギャップ対は、展開可能なオラクル推定経路における損失を測定し、オラクルランダム経路に対する感受性を探索する。 ホールドアウトされたCAMUSデータでは、1つの強く循環したオラクル選択されたランは推定フェーズでひどく失敗し、不正確なフェーズに対する感度は3ランにわたって持続する。 EchoNet-Dynamicでは、現在の推定器は引き続き使用可能であるが、ランダムフェーズテストは強力な潜時感度を示す。 デプロイ対応のチェックポイントの選択とフェーズの摂動により、Diceの平均値がほとんど変化せずに、両方のギャップを減らします。 探索的部分群分析は、測定された層間の変動を定量化し、下流排出率(EF)監査は、回復セグメント化が必ずしもEFエラーや符号付きバイアスを回復しないことを示す。 同時に、オラクル条件付きパフォーマンスが実際にデプロイで利用可能な推論パスを生き残るかどうかをテストする。

関連論文リスト

• Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation [9.269164572474216]
  不均一な治療効果を推定することは、パーソナライズされたプロモーションや精密な医療など、標的となる介入の中心である。 本研究では, 条件付き平均治療効果 (CATE) に着目した。 提案するCURL(Causal Uncertainty-Guided Representation Learning)は,推定器の不確実性を利用して,事前学習した意味能力を局所不安定単位に割り当てるプラグインアダプタである。
  論文  参考訳（メタデータ） (2026-07-29T08:20:17Z)
• Demystifying Variance in Circuit Discovery of LLMs [51.97489679448601]
  我々は,再サンプリングのばらつきを大幅に軽減する新しい回路探索法を開発した。 テンプレートの異なるプロンプトは、モデル内の異なる回路を活性化する傾向があるため、リフレージングのばらつきが生じることを示す。 我々は、よりコンパクトで解釈可能なタスク回路を形成すると主張されている空間性は、この問題の解決に失敗すると主張している。
  論文  参考訳（メタデータ） (2026-06-15T16:25:07Z)
• Refusal Before Decoding: Detecting and Exploiting Refusal Signals in Intermediate LLM Activations [18.44975629076816]
  その結果, 出力発生前の中間アクティベーションで安全関連挙動が表現されることが示唆された。 本稿では,全モデル適合度評価を部分的に前進パスに置き換え,遺伝的プロンプト探索ループ内でプローブベースのスコアリングを行う,プローブ誘導型AutoDANについて紹介する。
  論文  参考訳（メタデータ） (2026-05-27T14:44:36Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• Cross-Modal Consistency-Guided Active Learning for Affective BCI Systems [1.9556470931534158]
  ラベルノイズに対するロバスト性を高める不確実性を考慮したアクティブラーニングフレームワークを提案する。 脳波に基づく不確実性推定のみに頼るのではなく、クロスモーダルアライメントを評価する。 このフィードバック駆動プロセスは、ネットワークを信頼性のある情報的サンプルへと誘導し、ノイズラベルの影響を低減する。
  論文  参考訳（メタデータ） (2025-11-19T05:33:48Z)
• Preserving instance continuity and length in segmentation through connectivity-aware loss computation [0.29656637520758655]
  本稿では、出力インスタンスの接続性を維持するために、負中心線損失と簡易位相損失という2つの新しい損失関数を提案する。 我々は,軸索初期セグメント(AIS)の3次元光シート蛍光顕微鏡データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2025-09-03T09:08:47Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。