論文の概要: On Cross-Validation for Hyperparameter Optimization of Deep Learning Image Classifiers

• arxiv url: http://arxiv.org/abs/2608.14705v1
• Date: Mon, 10 Aug 2026 22:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.039991
• Title: On Cross-Validation for Hyperparameter Optimization of Deep Learning Image Classifiers
• Title（参考訳）: ディープラーニング画像分類器のハイパーパラメータ最適化のためのクロスバリデーションについて
• Abstract要約: ハイパー最適化(HPO)は、ディープラーニング(DL)画像分類器の性能に大きな影響を与える。 我々は絶対性能パラメータ誤差推定(AEE)の観点から3つのHPOプロトコルを比較した。 各ポイント推定は、医療データセット上の両方のホールドアウトプロトコルよりも、クロスバリデーションを好んだ。 小サンプルの医用画像分類では, クロスバリデーションに基づくHPOを推奨する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperparameter optimization (HPO) can materially affect the performance of deep learning (DL) image classifiers, but there is little empirical guidance on how to derive the validation signal that drives it, especially for the small sample sizes common in fields such as medical imaging. We compared three HPO protocols in terms of {\em absolute performance-estimation error} (AEE; the absolute difference between the winning configuration's validation AUROC and its test AUROC): fixed holdout (F), reshuffled holdout (R), and 5-fold cross-validation (C). The search space, sampler, training procedure, architecture, and test set were held identical across protocols. We evaluated the protocols on three public datasets spanning two regimes: binary medical imaging (RSNA pneumonia radiographs and binarized HAM10000 skin lesions) and 200-class natural imaging (Tiny ImageNet), across a range of development set sizes $n$ and two backbones (ResNet-18 on all datasets, Vision Transformer (ViT-S/16) on RSNA). On the medical datasets, every point estimate favored cross-validation over both holdout protocols, with reductions in AEE largest at small sample sizes and diminishing as $n$ increased. This pattern remained robust under conservative family-wise adjustment. On Tiny ImageNet, AEE was negligible under all three protocols. Test AUROC was generally similar among protocols. Fixed holdout had lower mean AEE than reshuffled holdout in 11 of 12 medical conditions, although this secondary finding was less uniformly supported. For small-sample medical image classification, we recommend cross-validation-based HPO when computational resources permit because it trades additional computation for a more reliable development-time estimate of subsequent test performance.
• Abstract（参考訳）: ハイパーパラメータ最適化(HPO)は、ディープラーニング(DL)画像分類器の性能に実質的に影響を与えるが、それを駆動する検証信号の導出方法に関する実証的なガイダンスはほとんどない。 我々は,3つのHPOプロトコルを絶対性能推定誤差(AEE, 入賞構成の検証AUROCとテストAUROCの絶対差)で比較し, 固定ホールドアウト(F), 再シャッフルホールドアウト(R), 5倍のクロスバリデーション(C)について比較した。 サーチスペース、サンプリング、トレーニング手順、アーキテクチャ、テストセットはプロトコル間で同一に保持された。 本研究は,2次医療用医用画像(RSNA)と200級自然画像(Tiny ImageNet)の3種類の公的データセット(RSNAのVision Transformer,RSNAのViT-S/16)を対象とし,各データセットの2つのバックボーン(ResNet-18,RSNAのViT-S/16)について検討した。 医学データセットでは、各点推定では両方のホールトアウトプロトコルよりもクロスバリデーションが好まれ、小さなサンプルサイズでAEEが最大となり、n$が増加した。 このパターンは保守的な家庭的な調整の下で頑健なままであった。 Tiny ImageNetでは、AEEは3つのプロトコルすべてで無視されている。 テストAUROCは一般的にプロトコル間で類似していた。 固定ホールドアウトは12例中11例中11例中11例中11例でAEEが有意に低かった。 小サンプルの医用画像分類では、計算資源が追加計算を処理し、その後のテスト性能のより信頼性の高い開発時間推定を行うため、クロスバリデーションベースのHPOを推奨する。

関連論文リスト

• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• I Can't Believe TTA Is Not Better: When Test-Time Augmentation Hurts Medical Image Classification [0.0]
  TTA(Test-time augmentation)は医用画像の分類精度を向上させるために広く考えられている。 本稿では,この仮定を3つのMedMNIST v2ベンチマークと4つのアーキテクチャで検証した。 我々の主な発見は、標準拡張パイプラインを持つTTAが、シングルパス推論と比較して常に精度を低下させることである。
  論文  参考訳（メタデータ） (2026-04-06T23:52:10Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
  3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。 アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
  論文  参考訳（メタデータ） (2026-03-15T21:34:59Z)
• T3: Test-Time Model Merging in VLMs for Zero-Shot Medical Imaging Analysis [15.624549727053475]
  既存のモデルマージ技術は、様々な医学的手段で一貫した利益をもたらすことができません。 サンプル単位の係数を計算するバックプロパゲーションフリーフレームワークであるTest-Time Task Adaptive merging (T3)を導入する。 ドメイン内、ベース・ツー・ノーベル、および4つのモダリティにまたがる汚職にまたがる厳密な相互評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-10-31T08:05:40Z)
• The Protocol Genome A Self Supervised Learning Framework from DICOM Headers [0.5076419064097734]
  Protocol Genomeは、DICOMヘッダーから相関を学習する自己教師型学習システムである。 また,CT,MRI,CXR,ベンダ間の校正やロバスト性も向上する。
  論文  参考訳（メタデータ） (2025-09-03T07:38:32Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation [6.142272540492936]
  本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。 近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。 本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-08T04:21:02Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。