論文の概要: Score-Based Ideal Observer Approximation via Denoising Score Matching for Signal-Known-Exactly Detection Tasks
- arxiv url: http://arxiv.org/abs/2608.24768v1
- Date: Tue, 25 Aug 2026 16:05:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.092633
- Title: Score-Based Ideal Observer Approximation via Denoising Score Matching for Signal-Known-Exactly Detection Tasks
- Title（参考訳）: 信号知識特定タスクに対するスコアマッチングによるスコアベース理想オブザーバ近似
- Abstract要約: Bayesian Ideal Observer (IO)は、バイナリ検出タスクのタスク性能に関する理論的上限を確立する。
本研究は、スコア関数の観点からIOテスト統計を再構成し、スコアベース理想オブザーバ(SIO)を導入する。
提案したSIOは、信号吸収画像にのみ訓練された畳み込み畳み込みニューラルネットワークを用いて、信号吸収スコア関数を推定する。
- 参考スコア（独自算出の注目度）: 2.368995563245609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Bayesian Ideal Observer (IO) establishes the theoretical upper bound on task performance for binary detection tasks. However, analytical computation of the IO test statistic is generally intractable. Numerical approaches based on Markov-chain Monte Carlo (MCMC) methods, including their recent deep generative model-based extensions, typically require extensive posterior sampling for each test image. Supervised learning has also been investigated to approximate the IO performance. However, such methods are typically trained for a specific detection task and signal and may require retraining when the task or signal changes. The score function, defined as the gradient of the log probability density, encodes the local geometry of the data distribution and is a fundamental quantity in modern score-based generative modeling. This work reformulates the IO test statistic in terms of the score function and introduces a score-based ideal observer (SIO). The proposed SIO uses a denoising convolutional neural network trained exclusively on signal-absent images to estimate the signal-absent score function. Once trained, the resulting score model can be used to approximate the IO test statistic for detection tasks involving arbitrary additive signals, without per-image posterior sampling or signal-specific retraining. Numerical studies consider a signal-known-exactly (SKE) detection task with a stochastic lumpy-background model. The results demonstrate that the proposed SIO can closely approximate the IO performance.
- Abstract（参考訳）: Bayesian Ideal Observer (IO)は、バイナリ検出タスクのタスク性能に関する理論的上限を確立する。
しかし、IOテスト統計学の分析計算は一般に難解である。
マルコフ連鎖モンテカルロ法 (MCMC) に基づく数値的手法は、その最近の深部生成モデルに基づく拡張を含む、一般にテスト画像ごとに広範囲の後方サンプリングを必要とする。
教師付き学習は、IO性能を近似するためにも研究されている。
しかし、そのような方法は、通常特定の検出タスクと信号のために訓練され、タスクや信号が変わったときに再訓練を必要とすることがある。
スコア関数は、ログ確率密度の勾配として定義され、データ分布の局所幾何学を符号化し、現代のスコアベース生成モデルにおいて基本的な量である。
本研究は、スコア関数の観点からIOテスト統計を再構成し、スコアベースの理想オブザーバ(SIO)を導入する。
提案したSIOは、信号吸収画像にのみ訓練された畳み込み畳み込みニューラルネットワークを用いて、信号吸収スコア関数を推定する。
トレーニングが完了すると、結果のスコアモデルを使用して、画像毎の後方サンプリングや信号固有のリトレーニングなしに、任意の加算信号を含む検出タスクのIOテスト統計を近似することができる。
数値実験では,確率的ラムピーバックグラウンドモデルを用いたSKE(Signal-known-exactly)検出タスクについて検討する。
その結果,提案したSIOはIO性能を近似できることがわかった。
関連論文リスト
- SubSearch: Robust Estimation and Outlier Detection for Stochastic Block Models via Subgraph Search [2.082364067210557]
本稿では,SBMパラメータを頑健に推定するアルゴリズムを提案する。
また,本手法は外れ値検出手法として機能し,グラフがモデルから逸脱する原因となるノードを適切に同定し,高次ノードを刈り取るといった単純な手法を克服する。
論文 参考訳（メタデータ） (2025-06-04T07:47:25Z) - Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。
本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。
本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
論文 参考訳（メタデータ） (2025-02-20T14:37:53Z) - Using gradient of Lagrangian function to compute efficient channels for the ideal observer [3.4084528001799064]
理想的な線形オブザーバはHotellingObserver(HO)と呼ばれ、IOのサロゲートとして用いられることがある。
本研究では,ラグランジュ型損失関数の勾配を用いて,効率的なチャネルを生成する手法を提案する。
論文 参考訳（メタデータ） (2025-01-31T18:34:16Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Multi-Sample Online Learning for Spiking Neural Networks based on
Generalized Expectation Maximization [42.125394498649015]
スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。
本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。
鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
論文 参考訳（メタデータ） (2021-02-05T16:39:42Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z) - Approximating the Ideal Observer for joint signal detection and
localization tasks by use of supervised learning methods [15.226790614827193]
画像品質(IQ)の客観的指標を用いて、医用画像システムの評価と最適化が一般的である
理想オブザーバ(IO)のパフォーマンスは、画像システムの評価と最適化に使用するためのメリットの図式を提供することが提唱されている。
本稿では,共同信号検出および局所化タスクにおいて,IOを近似する教師あり学習手法を提案する。
論文 参考訳（メタデータ） (2020-05-29T22:53:45Z)
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。