論文の概要: Disentangling Representation using Attributes-based Gaussian Estimation for Medical Sound Diagnosis

• arxiv url: http://arxiv.org/abs/2608.29026v1
• Date: Sat, 29 Aug 2026 03:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.819007
• Title: Disentangling Representation using Attributes-based Gaussian Estimation for Medical Sound Diagnosis
• Title（参考訳）: 属性に基づくガウス推定を用いた医用音響診断のためのディエンタングリング表現
• Abstract要約: 本稿では,Attributes-based Gaussian Estimation for Disentangled Representation (AGEDR) という,非交叉表現学習フレームワークを提案する。 AGEDRは属性をベクトルにマッピングし、それを変分オートエンコーダ(VAE)の潜在ベクトルのサブセットと整合させるように設計された属性マッピングの埋め込みモジュールを組み込んでいる。 大規模な実験により、AGEDRは従来の分類モデルと既存の非絡み合い表現学習法の両方より優れていることが示された。
• 参考スコア（独自算出の注目度）: 5.294221615371641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has a powerful capability of feature extraction. However, the lack of fairness and interpretability in deep neural networks poses limitations to their adoption in the medical domain. This paper proposes a disentangled representation learning (DisenRL) framework, named the Attributes-based Gaussian Estimation for Disentangled Representation (AGEDR), which incorporates Attribute Mapping Embedding (AME) modules designed to map attributes into vectors and align them with a subset of the latent vectors in a Variational AutoEncoder (VAE). This part of the latent vector will be disentangled from the remaining latent vectors by minimizing mutual information. A classifier is then trained using the mean parameters of the latent vectors from the VAE. Extensive experiments demonstrate that AGEDR outperforms both conventional classification models and existing disentangled representation learning methods. The ablation experiments also indicate the disentangling capability and fairness of AGEDR. The source code is publicly available at https://github.com/ZhaoKe1024/DisentangledRepr.
• Abstract（参考訳）: ディープラーニングは特徴抽出の強力な能力を持っている。 しかし、深層ニューラルネットワークにおける公平さと解釈可能性の欠如は、医療領域における彼らの採用に限界をもたらす。 本稿では、属性をベクトルにマッピングし、それを変分オートエンコーダ(VAE)の潜伏ベクトルのサブセットと整合させるように設計されたAttribute Mapping Embedding (AME)モジュールを組み込んだ、Attributes-based Gaussian Estimation for Disentangled Representation (AGEDR) という、分散表現学習(DisenRL)フレームワークを提案する。 潜伏ベクトルのこの部分は、相互情報の最小化により、残りの潜伏ベクトルから切り離される。 次に、分類器は、VAEから潜伏ベクトルの平均パラメータを用いて訓練される。 大規模な実験により、AGEDRは従来の分類モデルと既存の非絡み合い表現学習法の両方より優れていることが示された。 アブレーション実験は、AGEDRの解離能力と公平性も示している。 ソースコードはhttps://github.com/ZhaoKe1024/DisentangledRepr.comで公開されている。

関連論文リスト

• GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection [54.19989440021701]
  細粒度オープン語彙オブジェクト検出(FG-OVD)は属性リッチテキストで記述された新しいオブジェクトカテゴリを検出することを目的としている。 FG-OVDは、非絡み合いモデリングとモジュラー最適化の利点を実証し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-03-27T22:08:11Z)
• Evaluating Explainable AI Attribution Methods in Neural Machine Translation via Attention-Guided Knowledge Distillation [1.373282478189168]
  本稿では,Seq2seqモデルにおける説明可能性の評価手法について紹介する。 教師由来の帰属マップを構造化側信号として利用し,学生モデルの指導を行う。 また,教師の属性マップを再構築する属性変換器も導入した。
  論文  参考訳（メタデータ） (2026-03-11T22:16:11Z)
• ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning [52.11294707895649]
  本稿では,クラス非依存型異常検出(AD)の問題点について検討する。 目的は、ターゲットデータの再トレーニングや微調整をせずに、異なるドメインから様々な新しいクラスの異常を一般化して検出できる、クラスに依存しないADモデルをトレーニングすることである。 8つの実世界のADデータセットに関する総合的な実験は、ResAD++が新しいクラスで直接使用されると、素晴らしいAD結果が得られることを示した。
  論文  参考訳（メタデータ） (2025-09-28T08:41:05Z)
• Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI [11.871709357017416]
  静止状態fMRIデータを用いた特徴量削減パイプラインを提案する。 rs-fMRIから機能接続データを抽出するためにクラドック・アトラスとパワー・アトラスを用いた。 変分オートエンコーダを用いることで,提案したパイプラインは接続機能を5つの潜在ガウス分布に圧縮する。
  論文  参考訳（メタデータ） (2024-09-30T09:38:47Z)
• Enhancing Person Re-Identification through Tensor Feature Fusion [0.5562294018150907]
  本稿では,テンソル特徴表現とマルチ線形部分空間学習に基づく新しい人物認識システム(PRe-ID)を提案する。 提案手法は,事前学習したCNNを高レベル特徴抽出に活用する。 クロスビュー四分法解析(TXQDA)アルゴリズムは,マルチ線形部分空間学習に使用される。
  論文  参考訳（メタデータ） (2023-12-16T15:04:07Z)
• Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
  生成的視点から深層離散表現を学習する。 我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
  論文  参考訳（メタデータ） (2023-02-12T13:51:36Z)
• Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs [68.73427163074015]
  本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。 DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
  論文  参考訳（メタデータ） (2023-02-06T18:10:08Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Fair Interpretable Representation Learning with Correction Vectors [60.0806628713968]
  我々は「補正ベクトル」の学習を中心にした公正表現学習のための新しい枠組みを提案する。 このような方法で制約されたいくつかの公正表現学習モデルが、ランキングや分類性能の損失を示さないことを実験的に示す。
  論文  参考訳（メタデータ） (2022-02-07T11:19:23Z)
• Neural i-vectors [21.13825969777844]
  深部埋込抽出機とi-vector抽出機を連続的に使用することを検討した。 iベクトル抽出器にディープ埋め込み抽出器をバンドルするために,ガウス混合モデル(GMM)にインスパイアされたアグリゲーション層を埋め込み抽出器ネットワークに導入する。 提案したニューラルネットワークi-vectors on the Speakers in the Wild (SITW) と Speaker Recognition Evaluation (SRE) 2018 と 2019 のデータセットを比較した。
  論文  参考訳（メタデータ） (2020-04-03T13:29:31Z)
• Semi-supervised Grasp Detection by Representation Learning in a Vector Quantized Latent Space [1.3048920509133808]
  本稿では,半教師付き学習に基づく把握検出手法を提案する。 我々の知る限りでは、変分オートエンコーダ(VAE)がロボットグリップ検出の分野に応用されたのはこれが初めてである。 このモデルでは、未ラベル画像を使用しない既存の手法に比べて、グリップを改善するために大幅に性能が向上する。
  論文  参考訳（メタデータ） (2020-01-23T12:47:13Z)

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。