論文の概要: Cross-Model Agreement as a Deployment-Time Reliability Signal for Automatic Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2609.10495v1
• Date: Wed, 09 Sep 2026 17:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.124335
• Title: Cross-Model Agreement as a Deployment-Time Reliability Signal for Automatic Polyp Segmentation
• Title（参考訳）: 自動ポリープセグメンテーションのためのデプロイ時間信頼性信号としてのクロスモデルアグリーメント
• Abstract要約: リアルタイム大腸内視鏡では, 地平線アノテーションは推論では利用できないため, ポリプセグメンテーションモデルが無音で失敗する可能性がある。 本稿では,参照レスフレームワークである参照ベース品質評価(RBQE)を提案する。
• 参考スコア（独自算出の注目度）: 0.639901418243611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-time colonoscopy, ground-truth annotations are unavailable at inference, so polyp segmentation models can fail silently. We propose Referee-Based Quality Estimation (RBQE), a reference-free framework measuring agreement between a primary segmentation model and an independently trained referee on the same image. RBQE is evaluated on a standardized 1,223-image external benchmark drawn from four public datasets, using four referee configurations chosen to separate two design axes: referee independence and architectural diversity. Using a common Agreement Dice descriptor, a same-architecture referee differing from the primary model only in random initialization already yields a useful reliability signal (ROC-AUC = 0.923), showing that independent training alone is sufficient. Cross-architecture referees improve further: SegFormer-B0 achieves the strongest performance (ROC-AUC = 0.960), significantly outperforming the same-architecture control and UNet++, and exceeding a representative Test-Time Augmentation baseline by 0.055 ROC-AUC under an identical protocol, whereas a prompt-coupled MedSAM referee underperforms despite maximal architectural diversity. Because empty-mask agreement is trivially separable, we also report a restricted evaluation excluding such cases: ROC-AUC falls to 0.876 (SegFormer-B0, 1,046 images) and 0.783 (same-architecture control, 975 images), yet RBQE's margin over both baselines widens on this identical subset. RBQE additionally increases the mean Dice of retained predictions as low-agreement cases are progressively rejected, supporting selective prediction, and requires only one additional deterministic referee forward pass at inference. Our study therefore supports cross-model agreement as a practical, interpretable reliability framework for automated polyp segmentation.
• Abstract（参考訳）: リアルタイム大腸内視鏡では, 地平線アノテーションは推論では利用できないため, ポリプセグメンテーションモデルが無音で失敗する可能性がある。 本稿では,参照レスフレームワークである参照ベース品質評価(RBQE)を提案する。 RBQEは、4つのパブリックデータセットから抽出された1,223イメージの外部ベンチマークで評価され、レフェリー独立性とアーキテクチャ多様性という2つの設計軸を分離するために選択された4つのレフェリー構成を使用する。 共通コンセンサスDice記述子を用いて、ランダム初期化のみで一次モデルと異なる同一アーキテクチャの審判は、既に有用な信頼性信号(ROC-AUC = 0.923)を出力しており、独立トレーニングだけで十分であることを示している。 SegFormer-B0は最高性能(ROC-AUC = 0.960)を達成し、同じアーキテクチャ制御とUNet++を著しく上回り、同じプロトコルでテスト時間拡張ベースラインを0.055ROC-AUCで上回っている。 ROC-AUC は 0.876 (SegFormer-B0, 1,046 画像) と 0.783 (Same-architecture control, 975 画像) に該当するが、RBQE の両ベースラインに対するマージンは、同じサブセット上に広がる。 RBQEはさらに、低アグレメントケースが徐々に拒絶され、選択的予測が支持され、推論時に1つの決定論的レフェリーフォワードパスしか必要とされないため、持続予測の平均Diceを増大させる。 そこで本研究では, 自動ポリープセグメンテーションのための実用的, 解釈可能な信頼性フレームワークとして, クロスモデル合意を支持した。

関連論文リスト

• CUSP: Decomposable Collective Uncertainty for Multi-Agent Multimodal Reasoning [6.428392127849263]
  本稿では,複数のVLM応答を共有意味応答空間にマッピングする訓練不要不確実性フレームワークCUSPを提案する。 本稿では,集合的不確実性,プール化意見の分散,ジェンセン・シャノン発散(JSD)の2つの相補的システムレベル信号について報告する。 静的なマルチVLMアンサンブルでは、集合的不確実性は小モデル状態において最強の信号である。
  論文  参考訳（メタデータ） (2026-09-04T20:27:47Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• When LLMs Agree, Are They Right? Auditing Self-Consistency and Cross-Model Agreement as Confidence Signals [0.0]
  LLM-as-judgeは、企業パイプラインでAIシステムを評価する上で、ますますデフォルトになっている。 判断者間の整合性、あるいはモデル自身のサンプルが正当性を示していることを示す。 大規模なクロスランナー研究において、合意がいつ有用なプロキシであるかを問う。
  論文  参考訳（メタデータ） (2026-07-09T02:46:51Z)
• 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)
• When Should a Language Model Trust Itself? Same-Model Self-Verification as a Conditional Confidence Signal [0.0]
  モデルに予測された回答を監査するよう促す自己検証は、選択的な予測のための確実な信頼信号であるが、その実用的価値は未だ不明である。 ARC-Challenge と TruthfulQA-MC の2つのベースラインである LL-AVG と LL-SUM に対する自己検証を行った。
  論文  参考訳（メタデータ） (2026-04-08T20:15:33Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• Learning More from Less: Unlocking Internal Representations for Benchmark Compression [37.69575776639016]
  異種隠蔽状態を統一潜在空間に整列させて代表コアセットを構成するREPCOREを導入する。 5つのベンチマークと200以上のモデルの実験は、ランキングの相関と推定精度において、出力ベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-01-31T13:11:39Z)
• How Reliable are Confidence Estimators for Large Reasoning Models? A Systematic Benchmark on High-Stakes Domains [7.845652284569666]
  大規模推論モデルの誤校正は、高い領域における信頼性を損なう。 本稿では,6つの LRM から得られた347,496 個の推論トレースの公開リソースである Reasoning Model Confidence Estimation Benchmark (RMCB) を紹介する。
  論文  参考訳（メタデータ） (2026-01-13T01:55:48Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
  自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。 スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。 我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
  論文  参考訳（メタデータ） (2025-09-25T13:04:29Z)

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。