論文の概要: Explainable Multi-Loss Distillation Framework for Efficient and Interpretable Shrimp Disease Text Classification
- arxiv url: http://arxiv.org/abs/2608.29027v1
- Date: Sat, 29 Aug 2026 03:38:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.819649
- Title: Explainable Multi-Loss Distillation Framework for Efficient and Interpretable Shrimp Disease Text Classification
- Title（参考訳）: 効率的なエビ病テキスト分類のための説明可能な多損失蒸留フレームワーク
- Abstract要約: エビ病の分類は、生産国の輸出・輸出に重大な影響を与えるため、緊急の課題となっている。
既存の研究は画像に基づく分類に重点を置いており、通常は病気の症状の後期に機能する。
本稿では,局所解釈モデルに依存しない説明を用いた説明可能性分析を組み込んだSALTフレームワークを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shrimp disease classification has become an urgent issue due to its significant impact on the import-export output of producing countries, particularly Vietnam. Most existing studies focus on image-based classification, which typically operates at the late stage of disease manifestation. Therefore, text-based classification has the potential to enable early and timely disease detection. To address this limitation, we introduce the SALT (Shrimp disease text Analysis with multi-Loss disTillation) framework, which incorporates explainability analysis using Local Interpretable Model-agnostic Explanations (LIME) and SHapley Additive exPlanations (SHAP) to evaluate model predictions and interpret the learned linguistic features. Experimental results demonstrate that SALT achieves competitive performance across multiple distillation objectives, outperforming supervised baselines while providing a favorable trade-off between predictive performance and computational efficiency. Moreover, it exhibits strong explainability, accurately identifying key linguistic features and semantic patterns relevant to disease descriptions. These findings highlight the potential of knowledge distillation-based text classification for future applications in early shrimp disease diagnosis and related research directions.
- Abstract（参考訳）: エビ病の分類は、生産国、特にベトナムの輸入輸出に重大な影響を与えるため、緊急の課題となっている。
既存の研究は画像に基づく分類に重点を置いており、通常は病気の症状の後期に機能する。
したがって、テキストベースの分類は、早期かつタイムリーな疾患検出を可能にする可能性がある。
この制限に対処するため,Shrimp disease text Analysis with multi-Loss disTillation(SALT)フレームワークを導入し,モデル予測を評価し,学習言語特徴を解釈するために,LIME(Local Interpretable Model-Agnostic Explanations)とSHAP(SHAP)を用いた説明可能性分析を行った。
実験により, SALTは複数の蒸留目標に対して競争性能を達成し, 教師付きベースラインより優れ, 予測性能と計算効率のトレードオフが良好であることが示された。
さらに、病的記述に関連する重要な言語的特徴や意味パターンを正確に識別し、強力な説明可能性を示す。
これらの知見は,エビ早期診断における知識蒸留法に基づくテキスト分類の可能性と研究の方向性を明らかにするものである。
関連論文リスト
- Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳（メタデータ） (2026-05-13T14:52:12Z) - XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis [8.399688944263843]
このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。
このモデルは高い精度、精度、リコール、F1スコアを連続的に達成し、様々な疾患の段階では92%を超えることがよくある。
論文 参考訳（メタデータ） (2026-03-03T13:29:35Z) - A Multi-Stage Large Language Model Framework for Extracting Suicide-Related Social Determinants of Health [28.066261773189865]
自殺事件に寄与する社会的健康決定因子(SDoH)は早期介入や予防に不可欠である。
構造化されていないテキストからSDoH因子を抽出する多段階大規模言語モデルフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-07T03:36:38Z) - TT-XAI: Trustworthy Clinical Text Explanations via Keyword Distillation and LLM Reasoning [0.0]
本研究は,ドメイン認識型キーワード蒸留による分類性能と解釈性の両方を改善するフレームワークであるTT-XAIを紹介する。
大言語モデル(LLM)を操るキーワード誘導プロンプトを用いて、チェーン・オブ・シークレットな臨床説明を生成する。
全ての評価モダリティはキーワード拡張法を常に好んでおり、蒸留が機械と人間の双方の解釈可能性を高めることを確認している。
論文 参考訳（メタデータ） (2025-07-30T16:28:10Z) - LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。
MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
論文 参考訳（メタデータ） (2025-07-15T07:32:16Z) - Spurious Correlations and Beyond: Understanding and Mitigating Shortcut Learning in SDOH Extraction with Large Language Models [3.3408746880885003]
大型言語モデル (LLM) は将来性を示しているが、表面的な手がかりに依存して、急激な予測を導いている。
アルコールや喫煙の言及は、誰もいない現在および過去における薬物使用を予測するために、モデルに誤った誘導を与える可能性があることを実証する。
我々は、これらの偽陽性を減らすために、迅速なエンジニアリングや連鎖推論などの緩和戦略を評価する。
論文 参考訳（メタデータ） (2025-05-30T18:11:33Z) - Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。
本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文 参考訳（メタデータ） (2025-04-14T10:06:27Z) - Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。
CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。
3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
論文 参考訳（メタデータ） (2025-03-11T17:59:00Z) - Devising a Set of Compact and Explainable Spoken Language Feature for Screening Alzheimer's Disease [52.46922921214341]
アルツハイマー病(AD)は高齢化社会において最も重要な健康問題の一つとなっている。
我々は,大言語モデル(LLM)とTF-IDFモデルの視覚的機能を活用する,説明可能な効果的な機能セットを考案した。
当社の新機能は、自動ADスクリーニングの解釈可能性を高めるステップバイステップで説明し、解釈することができる。
論文 参考訳（メタデータ） (2024-11-28T05:23:22Z) - Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。
MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。
マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
論文 参考訳（メタデータ） (2024-04-10T07:41:35Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。