論文の概要: EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders

• arxiv url: http://arxiv.org/abs/2608.28191v1
• Date: Fri, 28 Aug 2026 11:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.296586
• Title: EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders
• Title（参考訳）: ExPOSE: スパースオートエンコーダを用いた病理ビジョン基礎モデルからの説明可能なドメインローバスト埋め込み
• Abstract要約: ビジョンファウンデーションモデル(VFM)は、計算病理学で広く使われているが、領域シフトに敏感である。 VFM埋め込みにおけるドメイン固有のコンポーネントを識別・抑制するために,クロスドメインスパース埋め込み(EXPOSE)の説明可能なプローブを提案する。
• 参考スコア（独自算出の注目度）: 0.4763980315619087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Foundation Models (VFMs) are widely used in computational pathology but remain sensitive to domain shifts arising from variations in staining, tissue preparation, and scanner hardware. A key limitation is that VFM embeddings entangle biological with domain-specific information, hindering cross-domain generalization. We propose Explainable Probing of Cross-Domain Sparse Embeddings (EXPOSE), a framework that uses Sparse Autoencoders (SAEs) as an explainable bottleneck to identify and suppress domain-specific components in VFM embeddings. We train a sparse representation of VFM features, use a linear classifier to identify domain-specific latent dimensions, and mask these features prior to downstream relapse prediction without retraining the backbone model. Experiments on a large prostate cancer dataset with multiple acquisition domains show that SAE features capture both domain- and task-specific information, which are partially disentangled in the latent space. Removing domain-specific features improves cross-domain performance and increases embedding robustness as measured by the Domain Robustness Index (DoRI). Code is available at https://github.com/imsb-uke/expose .
• Abstract（参考訳）: ビジョンファウンデーションモデル(VFM)は、計算病理学で広く使われているが、染色、組織調製、スキャナーハードウェアのバリエーションによって生じる領域シフトに敏感である。 鍵となる制限は、VFMが生物学的な絡み合いとドメイン固有の情報とを埋め込み、ドメイン間の一般化を妨げることである。 本稿では,Sparse Autoencoders (SAE) を用いたフレームワークであるEXPOSE(Explainable Probing of Cross-Domain Sparse Embeddings)を提案する。 我々は、VFM特徴の疎表現を訓練し、線形分類器を用いてドメイン固有の潜在次元を識別し、これらの特徴を、バックボーンモデルを再訓練することなく、下流再帰予測の前に隠蔽する。 複数の取得ドメインを持つ大規模な前立腺がんデータセットの実験では、SAE機能はドメイン固有の情報とタスク固有の情報の両方をキャプチャする。 ドメイン固有の機能の削除は、ドメイン間のパフォーマンスを改善し、DoRI(Domain Robustness Index)によって測定されるように、埋め込みロバスト性を高める。 コードはhttps://github.com/imsb-uke/expose で公開されている。

関連論文リスト

• SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [13.549403813487022]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付けされたソースドメインデータを活用しながら、ラベル付けされていないターゲットドメインデータからモデルを学習することを可能にする。 対照的な学習を UDA に統合し,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。 我々の手法であるSimSegは既存の手法より優れ、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2024-10-17T11:59:39Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• RestNet: Boosting Cross-Domain Few-Shot Segmentation with Residual Transformation Network [4.232614032390374]
  クロスドメイン小ショットセグメンテーション(CD-FSS)は、注釈付きサンプルの数が限られている未確認領域における意味セグメンテーションを実現することを目的としている。 ドメイン内サポートクエリの特徴情報を保持しながら知識伝達を容易にする新しい残差変換ネットワーク(RestNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-25T16:13:22Z)
• SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
  本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。 構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。 実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T02:57:23Z)
• MI-SegNet: Mutual Information-Based US Segmentation for Unseen Domain Generalization [36.71630929695019]
  ドメイン間の学習に基づく医用画像セグメンテーションの一般化能力は、現在、ドメインシフトによるパフォーマンス劣化によって制限されている。 解剖学的特徴表現とドメイン的特徴表現を明確に切り離す新しい相互情報(MI)ベースのフレームワークであるMI-SegNetを提案する。 パラメータやマシンの異なる複数のデータセットに対して提案したドメインに依存しないセグメンテーション手法の一般化性を検証する。
  論文  参考訳（メタデータ） (2023-03-22T15:30:44Z)
• Multi-scale Feature Alignment for Continual Learning of Unlabeled Domains [3.9498537297431167]
  生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。 本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
  論文  参考訳（メタデータ） (2023-02-02T18:19:01Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Feature Transformation for Cross-domain Few-shot Remote Sensing Scene Classification [7.0845385224286055]
  リモートセンシングシーン分類のための特徴量変換モジュール(FTM)を提案する。 FTMは、ソースドメインで学習した特徴分布を、非常に単純なアフィン演算によりターゲットドメインに転送する。 RSSCとランドカバーマッピングタスクの実験により、クロスドメインな数ショット問題に対処する能力が確認された。
  論文  参考訳（メタデータ） (2022-03-04T12:42:03Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers [141.70707071815653]
  本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。 SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。 3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-27T07:17:12Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。