論文の概要: Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction

• arxiv url: http://arxiv.org/abs/2609.09189v1
• Date: Tue, 01 Sep 2026 02:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.733024
• Title: Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction
• Title（参考訳）: Cervical Cytology分類のための信頼性を考慮したハイブリッドKアンサンブル選択:識別・校正・選択予測の統合
• Abstract要約: 本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
• 参考スコア（独自算出の注目度）: 3.093890460224435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High classification accuracy alone is insufficient for clinical image analysis, where calibrated confidence and reliable uncertainty estimates are essential. This study proposes a reliability-aware Hybrid-K ensemble selection framework for multiclass cervical cytology classification using the SIPaKMeD dataset. Nine deep learning architectures were evaluated using a fixed stratified five-fold partition and three training seeds. After post-hoc temperature scaling, models were assessed using macro-F1, accuracy, AUROC, expected calibration error (ECE), worst-class ECE (WC-ECE), area under the risk-coverage curve (AURC), Brier score, and negative log-likelihood (NLL). Models were ranked using an equal-weight composite score, and Hybrid-K ensembles were formed from the top-ranked models using soft voting. Robustness was examined using 5,000 Dirichlet-sampled metric-weight vectors, leave-one-metric-out analysis, and corrected paired testing across 15 fold-by-seed evaluations. The final Hybrid-2 ensemble, comprising Swin-Tiny and TinyViT-5M, reduced AURC by 43%, NLL by 17%, and WC-ECE by 36% relative to the best individual model. It was selected in 96.8% of random weighting scenarios, remained unchanged across all leave-one-metric-out analyses, and improved the full composite score. However, per-metric gains were not statistically significant after Holm-Bonferroni correction (all adjusted p >= 0.168). Because post-hoc calibration did not use a fully independent calibration set, calibration-dependent results should be interpreted as exploratory internal estimates. Overall, the framework identified a compact ensemble robust to alternative metric weightings and improved reliability point estimates under internal validation on a single dataset.
• Abstract（参考訳）: 高分類精度だけでは臨床画像解析には不十分であり, 検定された信頼性と信頼性の高い不確実性推定が不可欠である。 本研究は,SIPaKMeDデータセットを用いた頚椎細胞診分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 温度上昇後, マクロF1, 精度, AUROC, 期待校正誤差 (ECE), 最悪のECE (WC-ECE) , リスク被覆曲線 (AURC), ブライアスコア, 負のログ類似度 (NLL) を用いて, モデルの評価を行った。 モデルが等重量合成スコアを用いてランク付けされ,ソフト投票を用いた上位モデルからハイブリッドKアンサンブルが形成された。 5000個のディリクレサンプリングされた計量重みベクトル,Left-one-metric-out解析,および15個の折りたたみ式評価におけるペアテストによるロバストネスの検証を行った。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。 ランダムな重み付けのシナリオの96.8%で選択され、すべてのレスト・ワン・メトリックアウト分析に変化がなく、完全な合成スコアが向上した。 しかし,Holm-Bonferroni補正後の測定値当たりの利得は統計的に有意ではなかった(p >=0.168)。 ポストホックキャリブレーションは完全独立なキャリブレーションセットを使用していなかったため、キャリブレーションに依存した結果は探索的な内部推定として解釈されるべきである。 全体として、このフレームワークは、代替計量重み付けに頑健なコンパクトアンサンブルを特定し、単一のデータセットに対する内部検証の下で信頼性ポイント推定を改善した。

関連論文リスト

• Reliability-Aware Ensemble Classification Under Class Imbalance: A Calibration Study on Liquid-Based Cervical Cytology [3.093890460224435]
  本稿では,Mendley LBCデータセットを用いたクラス不均衡とキャリブレーションを考慮したアンサンブル分類について述べる。 3つの軽量アーキテクチャは、重み付きランダムサンプリングを用いてMendley LBC上で直接訓練され、クラス不均衡に対処する。 その結果, キャリブレーションはアンサンブルサイズではなく, 信頼性の高いレバーであることがわかった。
  論文  参考訳（メタデータ） (2026-07-10T16:41:18Z)
• ConfidenceBench: Evaluating Confidence Calibration in Large Language Models [14.831793255747181]
  ConfidenceBenchは、大規模言語モデルのキャリブレーションベンチマークである。 15のフロンティア大言語モデルにおいて、言語化された信頼度の評価を行う。 信頼性はプロンプトを通じて引き起こされ、モデルロジットへのアクセスは不要である。
  論文  参考訳（メタデータ） (2026-07-10T01:56:30Z)
• 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)
• When Calibration Rankings Reverse: Accuracy-Controlled Evaluation for Fair Comparison of LLMs [44.00626308821981]
  モデル精度の相違により比較が成り立つことを示す。 より公平なクロスモデル比較のために,精度制御評価フレームワークであるACEを提案する。
  論文  参考訳（メタデータ） (2026-06-29T18:37:48Z)
• 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)
• 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)
• EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture [1.260797434681533]
  ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 本研究では,確率論的多視点マーカーレスモーションキャプチャ法の校正と信頼性を評価する。 確率モデル再構成は不確実性を定量化し、同時に接地構造を計測することなく信頼できない出力を特定できる。
  論文  参考訳（メタデータ） (2026-01-29T23:50:19Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。