論文の概要: Robustness of transferability estimation metrics for medical imaging
- arxiv url: http://arxiv.org/abs/2608.09999v1
- Date: Fri, 07 Aug 2026 13:56:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.748957
- Title: Robustness of transferability estimation metrics for medical imaging
- Title（参考訳）: 医用画像における転送可能性推定指標のロバスト性
- Abstract要約: トランスファーラーニングでは、ソースモデルの選択がターゲットデータセットのパフォーマンスに大きく影響する。
これまでの研究では、実験的なセットアップの違いにより、TEメトリックのパフォーマンスに矛盾があったと報告していた。
本研究では,評価指標の選択が基準ランキングやTE指標の評価に影響を及ぼすことを示す。
- 参考スコア（独自算出の注目度）: 11.956869952208551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In transfer learning, the choice of source model largely influences the performance on a target dataset. Still, selecting a fitting source remains a challenging task, especially in medical imaging where one has to decide between models pre-trained on off-the-shelf options, such as ImageNet, and domain specific datasets. Transferability estimation (TE) metrics address this problem by aiming to predict the best performing source model in a computationally cost effective way. However, previous work has reported conflicting TE metric performances due to differences in experimental setups. Moreover, most TE metrics are designed for and evaluated on natural images, while being optimized for accuracy, whereas in medical imaging metrics that are more robust to class imbalance are typically used. We study the impact of varying the target dataset as an isolated factor, by constructing miniature populations of different sample sizes and random seeds. In addition, we investigate the influence of the evaluation metric used to obtain the reference ranking. We find that small modifications to the target dataset change the rankings. Furthermore, we show that the choice of evaluation metric affects the reference rankings and therefore the evaluation of TE metrics. Overall, we observe a low agreement between rankings from TE metrics and reference. The code, model checkpoints and data splits used in this work are available through https://github.com/niclasclassen/robustness-of-transferability-estimation-metrics-for-medical-imagin g.
- Abstract（参考訳）: トランスファーラーニングでは、ソースモデルの選択がターゲットデータセットのパフォーマンスに大きく影響する。
それでも、適切なソースを選択することは難しい課題であり、特に医療画像では、ImageNetのような既製のオプションで事前訓練されたモデルとドメイン固有のデータセットを区別しなければならない。
転送可能性推定(TE)メトリクスは、計算コストのかかる最適なソースモデルを予測することを目的として、この問題に対処する。
しかし、以前の研究では、実験的なセットアップの違いにより、TEメトリックのパフォーマンスが矛盾していると報告している。
さらに、ほとんどのTEメトリクスは、自然画像のために設計され、評価され、精度に最適化されている。
本研究では,異なるサンプルサイズとランダム種子の小型個体群を構築することにより,ターゲットデータセットを分離因子として変化させることの影響について検討した。
また,基準ランキングの取得に使用する評価基準の影響について検討した。
ターゲットデータセットに小さな変更を加えると、ランキングが変わります。
さらに,評価指標の選択が基準ランキングやTE指標の評価に影響を及ぼすことを示す。
総じて、TE指標からのランキングと基準との低い一致を観察する。
この作業で使用されるコード、モデルチェックポイント、データ分割は、https://github.com/niclasclassen/robustness-of-transferability-estimation-metrics-for-medical-imagin gを通じて利用できる。
関連論文リスト
- Assessment of Conditional Diffusion Model for Synthetic Histopathology Image Generation [13.18104339591425]
本稿では,Frechet Inception Distance (FID) やInception Score (IS) などの従来の総合的データ評価指標が病理組織像に適用した場合の限界について述べる。
これらの制約に対処するため、デジタル病理学データセットに事前訓練された基礎モデルを用いた修正FIDとISアプローチを提案する。
論文 参考訳（メタデータ） (2026-08-04T17:51:40Z) - Analysis of Transferability Estimation Metrics for Surgical Phase Recognition [3.3285108719932555]
微調整された事前学習モデルは現代の機械学習の基盤となり、限られたラベル付きデータで実践者がハイパフォーマンスを達成できるようになった。
専門的アノテーションが特に時間がかかり費用がかかる外科的ビデオ解析では、下流タスクに最適な事前学習モデルを特定することが重要かつ困難である。
我々は,2つの多様なデータセット上で,LogME,H-Score,TransRateの3つの代表的な指標の総合ベンチマークを行った。
論文 参考訳（メタデータ） (2025-08-22T18:05:33Z) - Metric Design != Metric Behavior: Improving Metric Selection for the Unbiased Evaluation of Dimensionality Reduction [10.099350224451387]
次元減少(DR)プロジェクションは、信頼できる視覚分析に不可欠である。
DRプロジェクションは、非常に相関性の高いメトリクス、同様の構造特性を計測した場合、不注意に選択される場合、バイアスとなる可能性がある。
本研究では,評価指標の選択におけるバイアスを,経験的相関に基づくクラスタリングによって低減する新しいワークフローを提案する。
論文 参考訳（メタデータ） (2025-07-03T01:07:02Z) - On dataset transferability in medical image classification [17.2563652152858]
医用画像分類において、電流伝達可能性推定法は、しばしば準最適である。
本稿では,特徴量と勾配を組み合わせ,対象タスクに対するソースモデル特徴の適合性と適応性を両立させる新しい伝達可能性指標を提案する。
その結果,提案手法は両方の設定で既存の転送可能性指標より優れていることがわかった。
論文 参考訳（メタデータ） (2024-12-28T15:00:04Z) - Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳（メタデータ） (2023-10-30T03:45:15Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳（メタデータ） (2023-05-10T16:27:55Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Newer is not always better: Rethinking transferability metrics, their
peculiarities, stability and performance [5.650647159993238]
小さなカスタマイズされたデータセット上で、大規模で事前訓練された画像と言語モデルの微調整が人気を集めている。
共分散推定における統計的問題により,Hスコアの性能が低下することが示唆された。
そこで我々は,そのような設定における相対的精度に対する相関性能を補正し,評価することを推奨する。
論文 参考訳（メタデータ） (2021-10-13T17:24:12Z) - Selecting Treatment Effects Models for Domain Adaptation Using Causal
Knowledge [82.5462771088607]
監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。
特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
論文 参考訳（メタデータ） (2021-02-11T21:03:14Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。