論文の概要: The Vote Hides the Failure: Aggregation Choice and Noise Robustness in Heart Murmur Detection

• arxiv url: http://arxiv.org/abs/2609.37161v1
• Date: Tue, 29 Sep 2026 09:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.400628
• Title: The Vote Hides the Failure: Aggregation Choice and Noise Robustness in Heart Murmur Detection
• Title（参考訳）: 心臓外傷検出におけるアグリゲーション選択とノイズロバスト性
• Abstract要約: 我々はCNNとBiLSTMの2つの独立的に再実装されたパイプラインを、制御された多重度雑音下で評価した。 安定した集計精度スコアは、個々の予測が示すものを誤って表現することができる。 BiLSTMのMV精度は、個々の予測が改善していないにもかかわらず、ノイズ増強訓練後に上昇する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Noise robustness in automated phonocardiogram (PCG) murmur detection, and how it is measured, remains underexamined despite growing interest in low-resource screening. We evaluate two independently reimplemented pipelines, Hierarchical Multi-Scale Convolutional Network (HMS-Net)--CNN, and Bidirectional Long Short-Term Memory (BiLSTM)--LSTM, under controlled, multi-severity noise with noise-augmented fine-tuning and held-out generalization testing. Under matched aggregation, the complete BiLSTM pipeline outperforms the complete HMS-Net pipeline across all conditions in accuracy and Weighted Accuracy. A stable aggregate accuracy score can misrepresent what individual predictions show: HMS-Net's native aggregation degrades under salt-and-pepper noise far less than majority-vote (MV) aggregation at the same severity, a gap reflecting window-level disagreement its native rule absorbs, while BiLSTM's MV accuracy rises after noise-augmented training even though its individual predictions do not improve. HMS-Net's training effect is significant under one accuracy metric but not another. Noise-robustness conclusions can depend as much on evaluation choices as on the models themselves.
• Abstract（参考訳）: 低リソース検診への関心が高まりつつも, 自動心電図法(PCG)の難聴性, 計測方法について検討した。 ノイズ増分とホールドアウトの一般化テストにより,2つの独立に再実装されたパイプライン,階層型マルチスケール畳み込みネットワーク(HMS-Net)-CNN,双方向長短期記憶(BiLSTM)-LSTMを評価した。 一致したアグリゲーションの下で、完全なBiLSTMパイプラインは完全なHMS-Netパイプラインよりも精度と重み付け精度のすべての条件で優れている。 HMS-Netのネイティブアグリゲーションは、塩とペッパーのノイズの下で、同じ重大度での多数投票(MV)アグリゲーションよりもはるかに小さくなり、窓レベルの不一致を反映するギャップが吸収される一方、BiLSTMのMV精度は、個々の予測が改善していないにもかかわらず、ノイズ増強トレーニング後に上昇する。 HMS-Netの訓練効果は1つの精度で重要であるが、もう1つではない。 ノイズ・ロバスト性の結論は、モデル自体と同じくらいの評価選択に依存する可能性がある。

関連論文リスト

• LiNC: Lightweight Noise Correction via Per-Sample Trust and Gaussian Mixture Modeling [4.691805203236375]
  軽量ノイズ補正(LiNC)は、観測されたラベルを使用するタイミングと、標準トレーニングループ中にモデルに遅延するタイミングを学習する。 この目的の勾配は、初期訓練段階において、クリーンなサンプルとノイズの多いサンプルに対して、反対方向の信頼値を駆動することを示します。 MedMNISTv2による最大50%のラベルノイズ下での10つの2Dデータセットの実験では、精度と強い誤ラベル検出が一貫した向上を示した。
  論文  参考訳（メタデータ） (2026-08-04T18:55:53Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection [6.893608092072852]
  Denoising score matching (DSM)は、ニューラルネットワークをトレーニングしてスコア関数を復元することで、データの分散を学ぶ方法を提供する。 K-DSM(Kurtosis-based noise scaling)は,各周縁分布の形状から雑音レベルを設定する方式である。 標準的な異常検出ベンチマークでは、K-DSMは半教師付き設定で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T21:19:12Z)
• 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)
• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Latent Target Score Matching, with an application to Simulation-Based Inference [13.204127482928143]
  Latent Target Score Matching (LTSM)は、TSMの拡張である。 LTSMは、シミュレーションベースの推論タスク間の分散、スコア精度、サンプル品質を一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-06T20:45:29Z)
• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
  大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。 noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。 NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
  論文  参考訳（メタデータ） (2025-04-04T09:27:19Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)

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。