論文の概要: When Do Language-Grounded Explanations Help? A Graph-Bottleneck for Farm Monitoring Interpretable Sheep Facial Pain
- arxiv url: http://arxiv.org/abs/2609.20427v1
- Date: Thu, 17 Sep 2026 14:08:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.299223
- Title: When Do Language-Grounded Explanations Help? A Graph-Bottleneck for Farm Monitoring Interpretable Sheep Facial Pain
- Title（参考訳）: 言語を包含した説明はいつ助けになるのか?
- Abstract要約: 臨床記述子のテキスト埋め込みに,検出された各顔領域を参加させることにより,深部痛表情尺度(SPFES)のモデルを構築した。
本研究では,SPFES概念スコアのみを読み取る概念ボトルネックによる外観バイパスを除去する。
小ささの痛みを示す状態は3.5$--8.3timesのベースレートで回復され、耳と目の重篤な秩序は重篤な監督なしに現れる。
- 参考スコア（独自算出の注目度）: 0.8164433158925593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated pain recognition from facial expression could make continuous welfare assessment practical in sheep, but adoption depends on trust: a stockperson cannot act on a score that arrives without justification. We ground a model in the Sheep Pain Facial Expression Scale (SPFES) by letting each detected facial region attend over text embeddings of the clinical descriptors and then test whether the resulting explanations mean anything. They do not. Ablating an entire descriptor changes the predicted logit by about $10^{-4}$, and the most-attended cue agrees with the predicted pain level in only $32.6\%$ of regions, although the attention maps, the learned gate, and the generated text all proposed otherwise. We therefore remove the appearance bypass with a concept bottleneck whose classifier reads only SPFES concept scores, supervised by per-region state annotations that image-level pipelines discard. This costs $0.05$--$0.10$ in Cohen's $κ$ but yields concepts that are demonstrably learned: minority pain-indicating states are recovered at $3.5$--$8.3\times$ their base rates, and the ear and eye severity orderings emerge without severity supervision. Removing the supervision alone leaves $κ$ unchanged while concept accuracy falls to $0.109$, showing that architectural necessity does not imply semantic validity. We also show that pooled concept accuracy is misleading under clinical imbalance and provide a cross-validated, protocol-matched benchmark of seven methods on this dataset.
- Abstract（参考訳）: 表情から自動的に痛みを認識することで、羊は継続的な福祉評価を実践できるが、養子縁組は信頼に依存している。
本研究は, 顔領域が臨床記述子のテキスト埋め込みに係わるようにし, 得られた説明が何の意味も持たないかどうかを検証することによって, 深部痛表情尺度(SPFES)のモデルを構築した。
そうではない。
ディスクリプタ全体を記述すると、予測ロジットを約10〜4ドル変更し、最も注意されたキューは、予測した痛みレベルをわずか32.6 %の領域で一致させるが、注意マップ、学習ゲート、生成したテキストは全て、そうでなければ提案されない。
したがって、画像レベルのパイプラインが破棄される領域ごとのステートアノテーションによって管理されるSPFES概念スコアのみを読み込む概念ボトルネックによる外観バイパスを除去する。
これはコーエンの$κ$で0.05$--0.10$であるが、明らかに学べる概念を産み出す: 少数派の痛みを表わす状態は3.5$--$8.3\times$で回復する。
監視のみを取り除いた場合、概念の精度は0.109ドルに低下し、アーキテクチャの必要性が意味論的妥当性を示唆しないことを示している。
また、プールドコンセプトの精度が臨床的不均衡の下で誤解を招くことを示し、このデータセット上で7つの方法のクロスバリデーションされたプロトコルマッチングベンチマークを提供する。
関連論文リスト
- Graph-Based Approaches to Learning Epileptogenic Zone Localization Using Stereo-EEG Recordings [0.0]
てんかん原性領域 (EZ) は、個々のてんかんを引き起こす脳の領域であり、てんかん手術の標的である。
グラフトポロジが40例の静止状態sEEGからのEZ局在に与える影響について検討した。
論文 参考訳（メタデータ） (2026-08-19T13:14:58Z) - Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model [5.368430154049423]
3次元視覚言語基礎モデルでは、グリオーマ部分領域分割の指示誘導による洗練を行うことができる。
正しい、空白、矛盾するプロンプトに対する感度は、非特異的な後処理よりもテキスト依存の輪郭編集を示唆している。
論文 参考訳（メタデータ） (2026-08-05T20:17:02Z) - RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding [14.036871627954156]
本稿では,RadPRISMについて紹介する。
オンプレミスの大規模言語モデルは、自由テキストレポートから概念単位のテキストを抽出し、それぞれの臨床概念を専用の視覚サブ空間に整列させる。
論文 参考訳（メタデータ） (2026-07-31T16:14:24Z) - Lost in Visual Translation: A VLM-Assisted Perceptual-Semantic Coherence Framework for EEG-to-Image Reconstruction [0.10499611180329804]
EEG-to-image評価は、視覚的忠実度と回復可能な意味を区別すべきである。
SSIM、LPIPS、CLIPは意味的に回復可能な出力や報奨を罰する。
我々はATM、ENIGMA、BrainVis、DreamDiffusionから6,855個の地上構造/再構成ペアを解析した。
論文 参考訳（メタデータ） (2026-07-14T05:40:23Z) - DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - Now You (Still) See Me: Detecting Evasive Steganographic Payloads in LLMs [52.149036302760386]
大規模な言語モデルは、プロンプトによって引き起こされるシークレットを、流動的で良心的な出力にエンコードするように微調整することができる。
近年の研究では、内部の活性化から秘密を回収する線形プローブによる検出を提案する。
この防御は体系的に回避できるが,対象とするデータレベルの介入によって検出性が回復可能であることを示す。
論文 参考訳（メタデータ） (2026-06-08T12:27:11Z) - Sparse Autoencoders Map Brain-LLM Alignment onto Cortical Semantic Topography [13.891522069967507]
意味的特徴だけでピークエンコーディング性能の94%を回復することを示す。
また,SAEによって発見された特徴が,既知の皮質意味組織を再カプセル化することを示す。
結果は英語、中国語、フランス語で一般化される。
論文 参考訳（メタデータ） (2026-05-21T21:00:24Z) - Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳（メタデータ） (2026-02-27T07:36:32Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - From Gaze to Insight: Bridging Human Visual Attention and Vision Language Model Explanation for Weakly-Supervised Medical Image Segmentation [48.45209969191245]
視覚言語モデル(VLM)は、テキスト記述を通して意味的コンテキストを提供するが、説明精度は欠如している。
本稿では,その補完的強みを活かし,視線と言語指導を統合した教師教育フレームワークを提案する。
本手法は,8.78%,80.53%,84.22%のDiceスコアをそれぞれ達成し,アノテーション負担を増大させることなく視線ベースラインよりも3.5%向上した。
論文 参考訳（メタデータ） (2025-04-15T16:32:15Z)
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。