論文の概要: SCALE: Synthetic Calibration via Agreement Labeling in Embedding Space

• arxiv url: http://arxiv.org/abs/2609.38705v1
• Date: Wed, 30 Sep 2026 00:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.878469
• Title: SCALE: Synthetic Calibration via Agreement Labeling in Embedding Space
• Title（参考訳）: SCALE: 埋め込みスペースでの合意ラベル付けによる合成キャリブレーション
• Abstract要約: 我々は8つの病理基盤モデルの校正について研究する。 診断難易度尺度として病理医合意を用い, 検定誤差は高検診症例よりも低検診症例で一貫して高い値を示した。 そこで我々は,マルチアノテータラベルを収集することなくキャリブレーションを改善する手法である合成コンセンサスキャリブレーションを提案する。
• 参考スコア（独自算出の注目度）: 8.796939552796152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for computational pathology are usually evaluated using AUC and accuracy, while calibration is often left untested. This matters because a model can be accurate on average but still assign overly confident probabilities to cases that are difficult even for pathologists. We study calibration across eight pathology foundation models. Using pathologist agreement as a measure of diagnostic difficulty, we find that calibration error is consistently higher on low-agreement cases than on high-agreement cases. This pattern is not apparent from aggregate expected calibration error (ECE) alone. We then propose synthetic agreement calibration, a method for improving calibration without collecting multi-annotator labels. Given a trained linear probe, we select high-confidence embeddings as class anchors and interpolate between anchors from opposite classes. The interpolation weights encode a continuous notion of diagnostic ambiguity, which we use as a synthetic agreement signal to retrain the probe with agreement-aware label smoothing. On MHIST, which includes annotations from seven pathologists, synthetic agreement calibration recovers most of the calibration improvement obtained by label smoothing based on real pathologist agreement, while substantially reducing low-agreement ECE relative to the uncalibrated baseline. Discrimination metrics are preserved. On PatchCamelyon and BreakHis, public histopathology datasets without multi-annotator labels, the method improves calibration across the evaluated foundation models, whereas annotator-dependent approaches cannot be used without additional expert annotation.
• Abstract（参考訳）: 計算病理学の基礎モデルは通常、AUCと精度を用いて評価されるが、校正はしばしば未検証のままである。 これは、モデルが平均的に正確であるが、いまだに病理学者にとっても難しいケースに過度に確実な確率を割り当てているためである。 我々は8つの病理基盤モデルの校正について研究する。 診断難易度尺度として病理医合意を用い, 検定誤差は高検診症例よりも低検診症例で一貫して高い値を示した。 このパターンは、累積キャリブレーション誤差(ECE)だけでは明らかではない。 そこで我々は,マルチアノテータラベルを収集することなくキャリブレーションを改善する手法である合成コンセンサスキャリブレーションを提案する。 訓練された線形プローブが与えられた場合、クラスアンカーとして高信頼な埋め込みを選択し、反対側のクラスからのアンカー間を補間する。 補間重みは診断あいまいさの連続的な概念を符号化し, コンセンサス対応ラベル平滑化によるプローブの再トレーニングを行う合成整合信号として用いる。 7人の病理医のアノテーションを含むMHISTでは、合成合意校正は、実際の病理医の同意に基づいてラベルスムース化によって得られた校正改善のほとんどを回復すると同時に、未校正ベースラインに対する低収差CEを著しく減少させる。 識別基準は保存されている。 PatchCamelyonとBreakHisでは、マルチアノテータラベルのない公共組織学データセットが評価基礎モデルの校正を改善する一方、アノテータに依存したアプローチは追加の専門家アノテーションなしでは利用できない。

関連論文リスト

• SupportCal: Label-Free Calibration of Post-Trained LLMs via Reference Support and Corroboration [53.7810725714783]
  ポストトレーニングはタスクパフォーマンスを向上するが、信頼性の校正を低下させることがある。 タスク固有のラベル付きキャリブレーションデータは費用がかかるか利用できないため、対応する事前訓練言語モデル(PLM)は、ポストホックキャリブレーションのための自然なラベルなし参照を提供する。 ラベルのないポストホック法であるSupportCalを導入し,合意事例を単位重みで保持し,不一致事例を連続重みで割り当てる。
  論文  参考訳（メタデータ） (2026-09-21T09:02:41Z)
• TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation [37.01359340333827]
  造影CTにて膵管腺癌 (PDAC) と診断した。 標準的なディープラーニングアプローチは、単一の基礎的真理を前提としており、調整が不十分で解釈が難しい確率的アウトプットを生成する。 実験的な平均人間の反応に対するアンサンブルセグメンテーション確率の時間後キャリブレーションを通じて、このギャップに対処するフレームワークであるTwinTrackを提案する。
  論文  参考訳（メタデータ） (2026-04-17T11:11:43Z)
• Confidence Calibration under Ambiguous Ground Truth [43.71398545904091]
  多数発声ラベルに装着したポストホックキャリブレータは、従来の評価ではよく校正される。 しかし、それらが根底にあるアノテータ分布に対してかなり誤解されている。 我々は,完全ラベル分布に対して適切なスコアリングルールを最適化する,あいまいさを意識したポストホックキャリブレータのファミリーを開発する。
  論文  参考訳（メタデータ） (2026-03-24T07:24:09Z)
• CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models [49.588973929678765]
  CalibrateMixは、SSLモデルのキャリブレーションを改善することを目的とした、ミックスアップベースのアプローチである。 提案手法は,既存のSSL手法と比較して,期待校正誤差(ECE)の低減と精度の向上を実現している。
  論文  参考訳（メタデータ） (2025-11-17T04:43:53Z)
• Beyond One-Hot Labels: Semantic Mixing for Model Calibration [22.39558434131574]
  textbfCalibration-aware Semantic Mixing (CSM) は、クラス特性の混合したトレーニングサンプルを生成する新しいフレームワークである。 我々はCSMが最先端のキャリブレーション手法よりも優れたキャリブレーションを実現することを示す。
  論文  参考訳（メタデータ） (2025-04-18T08:26:18Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Calibrating Histopathology Image Classifiers using Label Smoothing [42.38682782211358]
  画像毎のアノテータ合意を利用したラベル平滑化手法を提案する。 提案手法によりキャリブレーション誤差を約70%低減する。 本手法は,他の病理組織像分類タスクにおけるさらなる探索と実装の可能性に有益である。
  論文  参考訳（メタデータ） (2022-01-28T00:13:09Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。