論文の概要: A Controlled Audit of Architectural Complexity in Uncertainty-Aware Multi-Organ Ultrasound Classification

• arxiv url: http://arxiv.org/abs/2608.28063v1
• Date: Fri, 28 Aug 2026 08:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.253744
• Title: A Controlled Audit of Architectural Complexity in Uncertainty-Aware Multi-Organ Ultrasound Classification
• Title（参考訳）: 不確実性を考慮したマルチオーガン超音波分類における構造的複雑さの制御
• Abstract要約: 多臓器超音波分類器は、注意力、熟練者の混在、不確実性ゲーティング、そして明らかな深層学習(EDL)の目的を組み合わさりつつある。 本稿では,最大公示候補であるFull-EDLと簡易な代替品との展開決定に応用した,制御された複雑性監査フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 19.598719060464866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-organ ultrasound classifiers increasingly combine attention, mixture-of-experts routing, uncertainty gating, and evidential deep learning (EDL) objectives to address heterogeneous anatomy and acquisition. Yet a plausible design rationale does not by itself establish that an added component improves the trained system. We contribute a controlled complexity-audit framework, applied to the deployment decision between the maximal evidential candidate Full-EDL and simpler alternatives. Six candidates were evaluated on the primary dataset and three in an internal replication, using ten matched seeds, frozen image-level partitions, capacity- and optimisation-aware comparisons, symmetric temperature scaling, paired decision rules, and a separate out-of-distribution (OOD) veto. Retaining Full-EDL did not establish a reliable macro-F1 gain on either dataset, while the simplified alternatives remained inconclusive under the non-inferiority margin. Simple cross-entropy with temperature scaling (Simple-CE+TS) met the calibrated negative log-likelihood criterion on both datasets and showed favourable selective-risk ordering. The raw calibration advantage of evidential training disappeared after temperature scaling and did not recur on the second dataset. The gate had negligible observable influence at the audited checkpoints, and deleting the Full-only chain revealed no stable task or calibrated-loss benefit. Simple-CE nevertheless triggered the OOD veto against the fetal probe but not the lung probe, precluding an unconditional OOD-safety claim. We therefore selected Simple-CE+TS for the evaluated in-distribution objective while retaining Full-EDL as the maximal reference. Components should earn retention through functional and retraining-based evidence, and calibration and distribution-shift reliability should be evaluated separately.
• Abstract（参考訳）: 多臓器超音波分類器は、不均一な解剖と取得に対処するために、注意、試験用混合経路、不確実性ゲーティング、および明らかな深層学習(EDL)の目的をますます組み合わせている。 しかし、もっともらしい設計の根拠は、それ自体が、追加のコンポーネントが訓練されたシステムを改善することを証明していない。 本稿では,最大公示候補であるFull-EDLと簡易な代替品との展開決定に応用した,制御された複雑性監査フレームワークを提案する。 プライマリデータセットでは6つの候補が評価され, 内部複製では10個のマッチした種子, 凍結したイメージレベルのパーティション, キャパシティと最適化を意識した比較, 対称温度スケーリング, ペア決定ルール, 分離されたアウト・オブ・ディストリビューション(OOD)ベットを用いて3つの候補が評価された。 Full-EDLの保持はいずれのデータセットでも信頼性の高いマクロF1ゲインを確立しなかった。 温度スケーリングを伴う単純なクロスエントロピー (Simple-CE+TS) は, 両データセットの正負の対数類似度基準を満たし, 好適な選択リスク順序付けを示した。 露光訓練の生キャリブレーションの利点は,温度スケーリング後に消失し,第2データセットでは再帰しなかった。 ゲートは監査されたチェックポイントにおいて無視可能な影響を有しており、フルオンリーチェーンの削除は安定したタスクやキャリブレーションされた損失の恩恵を示さなかった。 それにもかかわらず、単純なCEは胎児プローブに対してOODベトをトリガーしたが、肺プローブには反応せず、未条件のOOD安全クレームを除外した。 そこで我々は,最大基準としてFull-EDLを保ちながら,評価された流通目標に対してSimple-CE+TSを選択した。 コンポーネントは機能的および再訓練に基づくエビデンスを通じて保持し、キャリブレーションと分散シフトの信頼性を別々に評価する必要がある。

関連論文リスト

• Resolution-Aware Experimental Design under Partial Identifiability [0.0]
  実験設計は一般に、最も多くの情報を提供すると思われる実験を選択するものとして構成される。 本稿では,最小限の空でない構造的候補セットを用いて,疑似自明な制御を施した実験を行うRAED(Resolvation-Aware Experimental Design)を提案する。 構造的および完全遅延情報ゲイン、平均分類、ニュアンス・マージナル化情報性により、任意に有効な構造分解能を低下させながら、正確なクロスノイズエイリアス分離を証明できる。
  論文  参考訳（メタデータ） (2026-09-03T11:23:10Z)
• Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram [0.0]
  ベイズ完全プールモデルとEEG分類の頻繁なベースラインを対比した大規模な研究を行った。 我々の主要な測定基準は、信頼性と解像度に分解されたブライアスコアと、識別のためのAUROC、鋭さのためのシャノンエントロピーであった。 ベイア完全プールは統計的に作られたが、信頼性と予測の不確実性の向上は実質的には有意な改善ではなかった。
  論文  参考訳（メタデータ） (2026-07-25T01:35:16Z)
• TwistedMerge: Certified Higher-Order Diagnostics and Abstention for Model Merging [0.48086260459837454]
  我々は、チェックポイントが局所対象、アライメントマップが遷移、サイクル積が残留する有限降下問題としてマージを定式化する。 提案手法は, 定数エッジのNo-go結果, フリーズ・コンプレックスの3方向およびプレファミリーの誤差制御定理, 比較・複雑感度の精査試験である。 訓練された低ランク適応型監査では, 平均化係数は選択したGLr代表に依存するが, 大域的因子同期と高密度デルタSVDは安定である。
  論文  参考訳（メタデータ） (2026-07-23T03:24:50Z)
• LLM-as-a-Judge Scores Are Unreliable Optimization Signals in Closed-Loop Table Recognition [19.651323641444726]
  決定論的TEDS評価は、FinTabNetとOmniDocBenchを使って制御されたテストベッドを提供する。 判定信号は両方のデータセットで弱かった。 厳しい損害は 特定の判事のフィードバックなしに 発生しました
  論文  参考訳（メタデータ） (2026-07-15T00:14:31Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Calibrated Decomposition of Aleatoric and Epistemic Uncertainty in Deep Features for Inference-Time Adaptation [3.018583625592182]
  ほとんどの推定器は、全ての不確実性モードを単一の信頼スコアに分解し、いつより多くの計算を割り当てるか、あるいは推論を調整するべきかについての信頼性の高い推論を防ぐ。 非確実性誘導推論時間選択(Uncertainty-Guided Inference-Time Selection)は,データ駆動型(データ駆動型)とモデル駆動型不確実性を,深い特徴空間で直接的に解消する軽量な推論時間フレームワークである。
  論文  参考訳（メタデータ） (2025-11-15T23:47:30Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• 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)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)

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。