論文の概要: CG-HAF: An Interpretable Global-Local Lesion-Burden Fusion Framework for Ordinal Acne Severity Grading in Agentic Skincare Support

• arxiv url: http://arxiv.org/abs/2609.31326v1
• Date: Fri, 25 Sep 2026 14:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.440878
• Title: CG-HAF: An Interpretable Global-Local Lesion-Burden Fusion Framework for Ordinal Acne Severity Grading in Agentic Skincare Support
• Title（参考訳）: CG-HAF : エージェント皮膚ケア支援における正常アシネスグレーディングのための解釈可能なグローバルローカライズバーデンフュージョンフレームワーク
• Abstract要約: 全身的な顔の外観と局所的な病変の重みを共同で重み付けしながら、視覚的に類似した周囲のグレードを区別する必要がある。 CG-HAFはグローバルな局所核融合フレームワークであり、その代わりにこの証拠を明示する。 広く使用されているベンチマークでは、この融合は、グローバルエビデンスのみのベースラインよりも明確で統計的に支持された改善をもたらす。
• 参考スコア（独自算出の注目度）: 2.1300600088983885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ordinal acne severity grading requires distinguishing visually similar neighboring grades while jointly weighing holistic facial appearance and localized lesion burden - evidence that most existing approaches collapse into a single opaque representation. We introduce CG-HAF, a global-local fusion framework that instead keeps this evidence explicit: averaged holistic severity probabilities from independently trained classifiers are combined with structured lesion-burden descriptors from an object detector (lesion count, detection confidence, lesion area) into a compact representation, from which a lightweight, interpretable classifier produces the final grade. On a widely used benchmark, this fusion yields a clear, statistically supported improvement over global-evidence-only baselines, with the largest gains on the most severe cases. Testing on an independent dataset with a different grading standard shows that strong within-dataset performance does not transfer automatically, and a follow-up diagnostic attributes much of this gap to mismatched grading criteria rather than detection failure alone. These findings support interpretable global-local fusion as an effective strategy for ordinal acne grading while highlighting criterion alignment as key to cross-dataset portability, with a further illustration of how the resulting severity signal can support transparent, non-diagnostic decision-making in skincare applications.
• Abstract（参考訳）: 通常のアシネスの重症度は、視覚的に類似したグレードを区別し、全体的な顔の外観と局所的な病変の重みを共同で重み付けする必要がある。 独立に訓練された分類器からの平均的総合的重大度確率を、オブジェクト検出器(配列数、検出信頼度、病変領域)から構造化された病変バーデン記述器と組み合わせて、軽量で解釈可能な分類器が最終段階を生成する。 広く使用されているベンチマークでは、この融合は、グローバルエビデンスのみのベースラインよりも明確で統計的に支持された改善をもたらす。 異なるグレード標準で独立したデータセットをテストすると、強いデータセット内パフォーマンスが自動的に転送されないことが示される。 これらの知見は, 整合性アライメントの指標として, 整合性アライメントを重要視しつつ, 整合性信号がスキンケアへの応用において透過的, 非診断的意思決定をいかにサポートするかを示すとともに, 通例のクレーングレーディングに有効な戦略として, 解釈可能なグローバル・ローカル・フュージョンを支持するものである。

関連論文リスト

• Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision [10.89572639873158]
  複数のインスタンス学習は、各対象をバッグとして扱うことによって、継承されたラベルを避ける。 対象レベルの監視からインスタンス表現学習を分離するフレームワークであるBridgeMILを提案する。
  論文  参考訳（メタデータ） (2026-07-29T12:34:47Z)
• ReMoDEx: A Local-to-Global Relevance-Based Model Decision Explainability Framework for large-Scale Image Datasets [1.6567880228735359]
  ReMoDEx(Relevance Based Model Decision Explainability)は、画像分類におけるモデル決定行動の体系的、データセットスケール評価のためのフレームワークである。 ReMoDExは、モデル推論、ターゲットクラス選択、関連マップ生成、ヒートマップ標準化、パターンの類似性に基づくグループ化、クラスタレベルの解釈、空間関連評価といったステップワイズパイプラインを定義している。 ReMoDEx は VGG16 をベースとした COVID-19, Normal, Lung Opacity, Viral Pneumonia を識別する分類器に応用した。
  論文  参考訳（メタデータ） (2026-07-08T01:15:50Z)
• Phenotyping TPF via Self-Supervised Learning: A Label-Agnostic Framework with Expert Validation [2.201241345037463]
  我々は、観測者指定のラベルなしで、画像データから直接フラクチャー表現を学習するためのラベルに依存しないフレームワークを設計、実装、検証する。 RadImageNet-pretrained ResNet-50 encoderは154個の膝X線写真に微調整されている。 ラベルに依存しないSSL表現は,従来の分類を再現し,臨床的に解釈可能な補完であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T21:04:31Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation [0.0]
  SG-CLDFF(Saliency-Guided Cross-Layer Deep Feature Fusion framework) 軽量なハイブリッドバックボーン(Swin-style)は、ResNeXt-CCinspired cross-layer fusion moduleによって融合されたマルチレゾリューション表現を生成する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。
  論文  参考訳（メタデータ） (2025-10-20T08:07:39Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。