論文の概要: Can You Trust Frozen Hematology Foundation Models under Acquisition Shift?

• arxiv url: http://arxiv.org/abs/2608.25148v1
• Date: Tue, 25 Aug 2026 20:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.445102
• Title: Can You Trust Frozen Hematology Foundation Models under Acquisition Shift?
• Title（参考訳）: 凍結血液学基礎モデルが買収シフトの下で信頼できるか?
• Abstract要約: 4つの公開シングルセル取得ドメインで15の凍結エンコーダを監査する。 ドメイン内の線形プローブマクロF1は飽和(0.98-0.997)であるが、クロスデータセットマクロF1は34-72%低下する。 ドメイン内で最高のDinoBloom-Lは、RedDinoといくつかの一般および病理エンコーダに次いで、最もシフトしたターゲット(MLL23)で15の10位に落ちる。
• 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: Frozen hematology foundation-model (FM) embeddings reach near-saturated in-domain white-blood-cell (WBC) accuracy, but clinical deployment demands reliability across scanners, sites, stains and preparation pipelines. We audit 15 frozen encoders (hematology, pathology, and general vision) across four public single-cell acquisition domains along two axes: accuracy robustness and calibration. In-domain linear-probe macro-F1 is saturated (0.98-0.997), yet cross-dataset macro-F1 drops 34-72% and rankings re-order: DinoBloom-L, the in-domain best, falls to 10th of 15 on the most-shifted target (MLL23) at the benchmark's shared 224-px input, behind RedDino and several general and pathology encoders. Rank transfer is probe-dependent: 1-NN retrieval is more stable on average than a source-fitted linear head (median $ρ$ 0.65 vs 0.45), but neither probe universally predicts target robustness. Calibration also collapses: source-trained probes are nearly calibrated in-domain (expected calibration error, ECE, 0.004) but confidently wrong off-domain (ECE 0.35), and source-fitted temperature scaling transfers poorly. We further audit pretraining exposure and identify MLL23 as DinoBloom's internal cohort; because DinoBloom's only held-out dataset is also our source domain, this benchmark cannot isolate exposure from scanner-associated shift. Label-free adaptation and marginal-entropy-based model selection appear safe under balanced evaluation but fail under realistic WBC class-prior shift. Class-Balanced Re-standardization (CBR), a training-free pseudo-label-balanced feature normalization, improves all evaluated target-prior scenario means and partially improves calibration, although encoder-level exceptions and residual miscalibration remain. Hematology FM benchmarks must therefore jointly audit accuracy, calibration, exposure, and class-prior robustness.
• Abstract（参考訳）: 凍結血液学基礎モデル (FM) 埋め込みは、ほぼ飽和したドメイン内白色血液細胞 (WBC) の精度に達するが、臨床展開にはスキャナー、サイト、染色および準備パイプライン間の信頼性が要求される。 15個の凍結エンコーダ(血液学,病理学,一般ビジョン)を4つの公開シングルセル取得ドメインで2つの軸(精度の堅牢性と校正)で検査する。 ドメイン内のリニアプローブマクロF1は飽和(0.98-0.997)であるが、クロスデータセットマクロF1は34-72%低下し、ランキングがリオーダーされる: ドメイン内のベストであるDinoBloom-Lは、ベンチマークの共有224-px入力において、RedDinoといくつかの一般的なおよび病理エンコーダの後、最もシフトしたターゲット(MLL23)の15分の1に低下する。 ランク転送はプローブに依存しており、1-NNの検索はソースに適合した線形ヘッドよりも平均的に安定である(中間値$ρ$ 0.65 vs 0.45)が、どちらのプローブも目標のロバスト性を普遍的に予測していない。 ソーストレーニングされたプローブはドメイン内(予測キャリブレーション誤差、ECE、0.004)でほぼキャリブレーションされているが、確実にオフドメイン(ECE 0.35)が間違っており、ソース調整された温度スケーリングの転送が不十分である。 DinoBloomの唯一のホールアウトデータセットは、私たちのソースドメインでもあるため、このベンチマークではスキャナ関連シフトからの露出を分離できない。 ラベルフリー適応と限界エントロピーモデル選択は、バランス評価の下では安全に見えるが、現実的なWBCクラス優先シフトでは失敗する。 CBR(Class-Balanced Re-standardization)は、トレーニング不要な擬似ラベルバランス機能正規化であり、すべての評価対象シナリオ手段を改善し、キャリブレーションを部分的に改善するが、エンコーダレベルの例外と残差は残る。 したがって、血液学のFMベンチマークは、精度、校正、露出、およびクラス優先の堅牢性を共同で検査する必要がある。

関連論文リスト

• C-Score: Beyond Accuracy for Robustness Assessment in Semi-Supervised Learning under Open-World Unlabeled Contamination [6.334765412132314]
  Pseudo-labelベースの半教師付き学習は、そのシンプルさとスケーラビリティにより、強力なパフォーマンスを実現している。 実際の展開では、ラベルのないデータはオープンな環境から収集されることが多く、OODサンプルを含むこともある。 このような汚染下では、OODサンプルは依然として高信頼の予測を受け、まるで有効な標的例であるかのように訓練に組み込むことができる。 SSLの内部学習ダイナミクスがすでに劣化している場合でも、クリーンな分散テストの精度は安定しているように見える。
  論文  参考訳（メタデータ） (2026-08-21T01:58:39Z)
• Beyond Accuracy: Assessing Calibration of Geospatial Foundation Models and Their Sensitivity to Distribution Shifts [15.070040506693738]
  重要なEOタスクへの約束された展開には、さらなる分析のアングルが必要であることを示す。 EOに制限されたエンコーダは、同様にタスク情報を失うことなく、汚職を免れる。 信頼に基づく棄権は、確実な誤った予測を先延ばしできない。
  論文  参考訳（メタデータ） (2026-08-17T14:16:14Z)
• Calibrated Hybrid CNN-Transformer for Retinal OCT Classification [1.0817607291351121]
  網膜光コヒーレンストモグラフィー(OCT)分類の深部モデルでは高い精度が報告されるが、信頼性が信頼できるかどうかを報告することは稀である。 我々は、ハイブリッド畳み込みトランスフォーマーエンコーダと、グラディショナルブートスティング(XGBoost)分類ヘッドと、信頼性キャリブレーション、アウト・オブ・ディストリビューション(OOD)拒絶、予測当たりの不確実性フラグングの3段階の臨床安全層をペアリングした。 4級OCT(84,495スキャン)では、キャリブレーション誤差を12倍に削減しながら95.4%の精度に達する(ECE = 0.0024)。
  論文  参考訳（メタデータ） (2026-07-09T23:23:56Z)
• Calibration, Uncertainty Communication, and Deployment Readiness in CKD Risk Prediction: A Framework Evaluation Study [0.0]
  慢性腎臓病の機械学習モデルは、しばしば内部テストセットに強い差別的スコアを与える。 UCI CKDデータセット(400例,62.5%)を用いた5つの分類器の訓練を行った。 キャリブレーション品質,コンフォーマルな予測カバレッジ,8基準の展開準備フレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-05-20T17:12:48Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Signal Fidelity Index-Aware Calibration for Dementia Predictions Across Heterogeneous Real-World Data [1.741250583668341]
  認知症患者レベルでのSFI(Signal Fidelity Index)診断データ品質について検討した。 結果ラベルのない異種データセットにおけるモデル性能向上のためのSFI対応キャリブレーションを検証した。
  論文  参考訳（メタデータ） (2025-09-10T15:19:04Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。