論文の概要: Representation Risk in Pretrained Image Encoders
- arxiv url: http://arxiv.org/abs/2609.35470v1
- Date: Mon, 28 Sep 2026 15:53:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.067011
- Title: Representation Risk in Pretrained Image Encoders
- Title（参考訳）: プレトレーニング画像エンコーダにおける表現リスク
- Abstract要約: 提案手法では, 有意な事前学習エンコーダが同一画像を異なる特徴空間にマッピングし, 予測性能から顕著に異なるアウト・オブ・サンプルの結論が得られることを示す。
住宅価格,競走馬のパフォーマンス,乳がん組織学,胸部X線写真,連続顔面年齢,イネ病などを含む10種類の近代的,遺産の冷凍エンコーダを比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Applied researchers increasingly convert images into features with pretrained encoders, then use those features in a downstream prediction model. The encoder is often treated as an implementation detail. We show that it can instead be a consequential source of model uncertainty. We call this uncertainty representation risk: plausible pretrained encoders map the same images into different feature spaces and can yield sharply different out-of-sample conclusions from predictive performance. We compare ten modern and legacy frozen encoders across applications involving house prices, racehorse performance, breast-cancer histology, chest radiographs, continuous facial age, and rice disease. With common dimension control, heads, and group-safe splits, validation selects SigLIP 2 for houses, raising test $R^2$ from 0.396 for ResNet50 to 0.629, and DINOv2 for horses, raising $R^2$ from 0.029 to 0.105. No encoder is best in every task. Candidate procedures are constructed using training data and compared on a separate validation partition. The selected procedure reaches 0.658 for houses and 0.979 accuracy for pneumonia. Fixed-split gains are small for horses and rice, while repeated partitions reveal instability in horse feature union. Continuous age selects SigLIP 2 at 4.786 years MAE. The principal representation gaps persist with neural heads, similarly sized DINOv2 and ViT models, and limited adaptation. These results support a simple workflow: benchmark plausible representations, select on locked validation data, combine only when separate validation evidence justifies the additional cost, and report paired and split-level uncertainty. We implement this workflow in LOOKAGAIN-ML, the software package used to conduct the analyses in this paper.
- Abstract（参考訳）: 応用研究者たちは、画像を事前訓練されたエンコーダで特徴に変換し、下流の予測モデルでそれらの特徴を利用する。
エンコーダは実装の詳細として扱われることが多い。
モデル不確実性の連続的な源であることを示す。
我々は、この不確実性表現のリスクを次のように呼んでいる: 実証可能な事前訓練エンコーダは、同じ画像を異なる特徴空間にマッピングし、予測性能から鋭く異なるアウト・オブ・サンプルの結論を得ることができる。
住宅価格,競走馬のパフォーマンス,乳がん組織学,胸部X線写真,連続顔面年齢,イネ病などを含む10種類の近代的,遺産の冷凍エンコーダを比較した。
一般的な寸法制御、ヘッド、グループセーフの分割により、検証は住宅用SigLIP 2を選択し、テストのR^2$をResNet50の0.396から0.629へ、DINOv2は馬用DINOv2を0.029から0.105へ引き上げる。
エンコーダはすべてのタスクでベストです。
候補手順はトレーニングデータを使用して構築され、個別のバリデーションパーティションで比較される。
選択された手順は住宅で0.658、肺炎で0.979に達する。
固定分割利得は、馬と米では小さいが、繰り返し分割することで、馬の特徴組合の不安定性が明らかになる。
連続年齢は4.786年でSigLIP 2を選択する。
主表現ギャップはニューラルヘッド、同様に大きさのDINOv2とViTモデルで持続し、適応は限られている。
これらの結果は単純なワークフローをサポートする: ベンチマーク可能な表現、ロックされたバリデーションデータの選択、別個のバリデーション証拠が追加コストを正当化する場合にのみ組み合わせ、ペア化と分割レベルの不確実性を報告。
このワークフローを,本論文で分析を行うソフトウェアパッケージであるLOokaGAIN-MLで実装する。
関連論文リスト
- Decoder Model Compatibility Provides Information beyond the Logical Gap under Drifting and Correlated Quantum Noise [6.8312581630717615]
量子誤り訂正デコーダは、個々の測定記録の論理エラーリスクに対する補正と信頼推定の両方を提供する。
物理装置がそのモデルから離れていくと、論理的ギャップのような信頼度尺度が誤校正されることがある。
このミスマッチ自体が有用な情報を提供できることを示す。
論文 参考訳（メタデータ） (2026-09-24T04:33:06Z) - PhenoIntel: A Lifecycle-Aligned Multi-Agent Web Application for Verified, Accessible Plant Phenotype Analysis [0.0]
PhenoIntelは、完全な機械学習ワークフローを信頼性のある表現型システムに変えるWebプラットフォームである。
9つの専門エージェントは、解析を画像収集からモデル選択、推論、レポートに至るまで、ステージに分割する。
独立したチェックはこれらのステージを分離し、各エージェントは1つの共有された固定構造レコードを読み書きする。
論文 参考訳（メタデータ） (2026-08-28T07:06:50Z) - Oracle Gap and Signal Fidelity: A Fixed-Pool Diagnostic for Test-Time Collaboration [8.515185888009833]
テストタイムのコラボレーションはLLM推論の改善と評価されることが多いが、その利益は不均一であり、時にはネガティブである。
固定候補プールに対しては、セレクタまたは検証器のネットゲインを測定可能な要素に分解する。
このことは、マルチエージェントトポロジーの本質的な性質としてではなく、候補選択問題として協調を再構築する。
論文 参考訳（メタデータ） (2026-07-20T04:09:19Z) - The verifier side of speculative window decoding: a predictability bracket, a machine-checked blast-radius bound, and a decoder-agnostic recover loop [0.0]
投機的ウィンドウデコーダは、量子エラー閾値デコーダの遅延を隠蔽する。
約90%の精度で1つの予測器を構築しました。
2番目の復号器はデコーダに依存しない:予測検証回収ラッパーと構造現象学である。
論文 参考訳（メタデータ） (2026-07-07T20:07:18Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。
我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
論文 参考訳（メタデータ） (2025-03-07T08:41:53Z) - Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳（メタデータ） (2024-03-27T15:15:14Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Core Risk Minimization using Salient ImageNet [53.616101711801484]
私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。
このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。
次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
論文 参考訳（メタデータ） (2022-03-28T01:53:34Z) - Gifsplanation via Latent Shift: A Simple Autoencoder Approach to
Progressive Exaggeration on Chest X-rays [3.958317527488534]
本稿では,入力画像の潜在表現を変換して,予測に使用する特徴を誇張あるいは縮小する,シンプルなオートエンコーダと更新(潜時シフト)を提案する。
本研究では, 従来のアトリビューションマップや提案手法を用いて, 240個の胸部X線予測を行い, どれが偽陽性か(半数)を判定する。
論文 参考訳（メタデータ） (2021-02-18T16:55:03Z)
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。