論文の概要: MOXIE: Discovering Alternative Explanations for Biomedical Image Classifiers

• arxiv url: http://arxiv.org/abs/2610.04814v1
• Date: Sat, 03 Oct 2026 23:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:45:16.827318
• Title: MOXIE: Discovering Alternative Explanations for Biomedical Image Classifiers
• Title（参考訳）: MOXIE: バイオメディカル画像分類器の代替説明を発見する
• Abstract要約: 分類器の信頼性を保ったセグメント部分集合を探索する進化的フレームワークであるMOXIEを紹介する。 NSGA-IIとBloodMNISTとHAM10000データセットの4つのセグメンテーション手法を用いてMOXIEを評価する。 その結果,MOXIEは各画像上でのLIMEよりも高いハイパーボリュームを実現することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segment-based explanation methods such as LIME return a single explanation for each prediction, computed from one fixed image segmentation. This hides two important facts: a prediction can be supported by many different sets of image segments, and the segmentation itself shapes which explanations can be found. We introduce MOXIE (Multi-Objective eXplanation Imaging Engine), an evolutionary framework that searches for segment subsets that preserve the classifier's confidence while keeping as little of the image as possible. Instead of one explanation, MOXIE returns a Pareto front of alternative explanations that range from compact to highly faithful. We evaluate MOXIE with NSGA-II and four segmentation methods (SLIC, Felzenszwalb, Watershed and Voronoi) on BloodMNIST and HAM10000 datasets, using the same evaluation budget as LIME. Results show that MOXIE achieves a higher hypervolume than LIME on every image. LIME's explanations often appear convincing, yet the classifier's confidence collapses when only the highlighted segments are shown. MOXIE's fronts reveal how much of the image is needed to preserve the model's confidence and which contextual regions influence it. We also find that segmentation strongly affects evaluation: methods with unequal segment sizes appear most compact when segments are counted. These results show that alternative explanations provide a more complete view of a model's decision than a single explanation.
• Abstract（参考訳）: LIMEのようなセグメントベースの説明手法は、1つの固定イメージセグメンテーションから計算された各予測に対して1つの説明を返す。 これは2つの重要な事実を隠蔽する: 予測は多くの異なる画像セグメントによってサポートされ、セグメンテーション自体が説明を見つけることができる。 画像のほとんどを維持しながら分類者の自信を保ったセグメント部分集合を探索する進化的フレームワークであるMOXIE(Multi-Objective eXplanation Imaging Engine)を紹介する。 1つの説明の代わりに、MOXIEは、コンパクトから高度に忠実な別の説明の前にParetoを返す。 We evaluate MOXIE with NSGA-II and four segmentation method (SLIC, Felzenszwalb, Watershed, Voronoi) on BloodMNIST and HAM10000 datasets, using the same evaluation budget as LIME。 その結果,MOXIEは各画像上でのLIMEよりも高いハイパーボリュームを実現することがわかった。 LIMEの説明は説得力があるように見えるが、強調されたセグメントのみを示すと、分類者の自信は崩壊する。 MOXIEのフロントは、モデルの信頼性を保ち、どの領域がそれに影響を与えるかを保持するために、どの程度のイメージが必要であるかを明らかにする。 セグメントサイズが不等なメソッドは、セグメントがカウントされると最もコンパクトに見えます。 これらの結果は、一つの説明よりもモデルの決定をより完全な視点で説明できることを示している。

関連論文リスト

• In search of truth: Evaluating concordance of AI-based anatomy segmentation models [3.740726797046942]
  解剖学的セグメンテーションのためのAIベースの手法は、大規模な画像データセットのキャラクタリゼーションを自動化するのに役立つ。 基礎となる真理アノテーションを含まないデータセット上で評価する実践的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-17T19:33:56Z)
• Segmentation and Smoothing Affect Explanation Quality More Than the Choice of Perturbation-based XAI Method for Image Explanations [1.1663475941322277]
  ポストホック画像説明法は、画像予測モデルを説明するために一般的に用いられる。 異なるメソッドのどのパラメータが様々なパフォーマンスの原因であるかは、まだよく分かっていない。 その結果、他の作品の焦点である帰属計算が結果にほとんど影響を与えないことが判明した。
  論文  参考訳（メタデータ） (2024-09-06T08:33:26Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  インコンテキストセグメンテーションは、与えられた参照画像を使ってオブジェクトをセグメンテーションすることを目的としている。 既存のほとんどのアプローチでは、視覚的プロンプトと入力画像クエリの相関を構築するために、メトリックラーニングやマスク付きイメージモデリングを採用しています。 この研究は、新しい視点から問題にアプローチし、コンテキスト内セグメンテーションのための潜在拡散モデルの能力を解き放つ。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Reflection Invariance Learning for Few-shot Semantic Segmentation [53.20466630330429]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーション付きサポートイメージを持つクエリイメージにおいて、目に見えないクラスのオブジェクトをセグメントすることを目的としている。 本稿では,マルチビューマッチング方式でリフレクション不変性をマイニングするための,新しい数ショットセグメンテーションフレームワークを提案する。 PASCAL-$5textiti$とCOCO-$20textiti$データセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-01T15:14:58Z)
• Segment Anything Model (SAM) for Digital Pathology: Assess Zero-shot Segmentation on Whole Slide Imaging [12.533476185972527]
  画像セグメンテーションの基礎モデルとしてセグメンテーションモデル(SAM)がリリースされた。 スライド画像全体(WSI)における代表セグメンテーションタスクにおけるSAMモデルのゼロショットセグメンテーション性能を評価する。 その結果,0ショットSAMモデルは大きな連結オブジェクトに対して顕著なセグメンテーション性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2023-04-09T04:06:59Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Segmentation Ability Map: Interpret deep features for medical image segmentation [2.064612766965483]
  本稿では,深部特徴量に基づく二分分割写像を計算するためのプロトタイプセグメンテーション(ProtoSeg)手法を提案する。 脳MRIのセグメント化腫瘍,皮膚画像の病変,CT画像のCOVID関連異常,CT画像の膵腫瘤分画について検討した。
  論文  参考訳（メタデータ） (2022-12-19T01:27:50Z)
• Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
  拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。 トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。 最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
  論文  参考訳（メタデータ） (2021-12-06T16:28:15Z)
• SegDiff: Image Segmentation with Diffusion Probabilistic Models [81.16986859755038]
  拡散確率法は最先端の画像生成に使用される。 画像分割を行うためにそのようなモデルを拡張する方法を提案する。 この方法は、トレーニング済みのバックボーンに頼ることなく、エンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2021-12-01T10:17:25Z)
• Prototype Mixture Models for Few-shot Semantic Segmentation [50.866870384596446]
  サポートやクエリ画像内のオブジェクトが外観やポーズで大きく異なる可能性があるため、ショットのセグメンテーションは難しい。 プロトタイプベースセマンティック表現を強制するために,多種多様な画像領域と複数のプロトタイプとの相関関係を持つプロトタイプ混合モデル(PMMs)を提案する。 PMMはMS-COCOの5ショットセグメンテーション性能を最大5.82%改善し、モデルサイズと推論速度の適度なコストに留まった。
  論文  参考訳（メタデータ） (2020-08-10T04:33:17Z)

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。