論文の概要: CHARTER: Auditing Reference Substitution in Hierarchical Compact-Evidence Evaluation for Computational Pathology

• arxiv url: http://arxiv.org/abs/2610.07843v1
• Date: Tue, 06 Oct 2026 06:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.847765
• Title: CHARTER: Auditing Reference Substitution in Hierarchical Compact-Evidence Evaluation for Computational Pathology
• Title（参考訳）: CHARTER:階層型コンパクトエビデンス評価における参照置換の検討
• Abstract要約: デジタル病理学において、コンパクトなエビデンスはしばしば、全スライディング画像による複数のインスタンス学習モデルによる予測の説明や監査に使用される。 階層的なコンパクト・エビデンスパイプラインでは、候補フィルタリングは戦略固有の候補条件付き予測を、元のフルバグ予測と並行して導入する。 CHARTERは、意図された目標と基準、QuarNTIFY候補による予測シフト、およびAUDITの比較結論の安定性をDECLAREに求める。
• 参考スコア（独自算出の注目度）: 5.099953098986464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In digital pathology, compact evidence is often used to explain or audit predictions made by whole-slide image multiple instance learning models. In hierarchical compact-evidence pipelines, candidate filtering introduces a strategy-specific candidate-conditioned prediction alongside the original full-bag prediction. If the evaluation reference changes while the intended target remains the original full-bag prediction, however, not only can the measured fidelity of the same compact evidence change, but comparisons between competing candidate strategies can also change. To make this dependence explicit, we introduce CHARTER, a reference-aware evaluation charter that asks researchers to DECLARE the intended target and reference, QUANTIFY candidate-induced prediction shift, and AUDIT the stability of comparative conclusions. Across the 15 comparisons in our main five-seed Random-K audit, 4 showed determinate reversals; in a matched native-ranking stress test, the ACMIL comparison changed from REVERSED to PRESERVED. CHARTER turns otherwise implicit candidate-filtering and reference choices into an auditable evaluation specification, helping distinguish genuine preservation of the intended prediction from apparent gains induced by changing the prediction being explained.
• Abstract（参考訳）: デジタル病理学において、コンパクトなエビデンスはしばしば、全スライディング画像による複数のインスタンス学習モデルによる予測の説明や監査に使用される。 階層的なコンパクト・エビデンスパイプラインでは、候補フィルタリングは戦略固有の候補条件付き予測を、元のフルバグ予測と並行して導入する。 しかし、意図した目標が元のフルバグ予測のままに評価基準が変更されれば、同じコンパクトなエビデンスの測定忠実度が変更できるだけでなく、競合する候補戦略の比較も変更できる。 この依存性を明確にするために、CHARTERは、研究者に意図した目標と基準をDECLAREに依頼する参照認識評価憲章、QUINTIFYによる予測シフト、およびAUDITによる比較結果の安定性について紹介する。 主要5種Random-K試験の15例中,4例は判別逆転を示し,ACMIL比較はREVERSEDからPreSERVEDに変更した。 CHARTERは、他の方法では暗黙の候補フィルタリングと参照選択を監査可能な評価仕様に変換し、意図された予測の真の保存と説明されている予測を変更することによって引き起こされる明らかな利得を区別するのに役立つ。

関連論文リスト

• Benchmarking Neural Defend ARCAS 1B: A Foundational Multimodal Deepfake Detection Model [1.8241268937128006]
  本稿では,ベンチマーク固有のパラメータを更新することなく,ベンチマークファミリ間のニューラルデペンドARCAS 1Bを評価する。 ベンチマークネイティブの結果をプールされたサマリーと区別することにより、テスト人口、クラスバランス、記録の欠如を可視化する。
  論文  参考訳（メタデータ） (2026-09-21T09:15:02Z)
• When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments [0.0]
  シーケンシャルな実験のために因果型の規律を定式化する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2026-09-15T19:24:40Z)
• Empirical Bayes Conformal Prediction for Vision and Language Models [20.40115871314124]
  コンフォーマル予測(CP)は、現代のビジョンと言語モデルに対して、分布のないカバレッジを提供する。 標準CP は 1 つの実現法を使い、平均列キャリブレートの変種は点推定に滑らかな多重実現法を用いる。 実験的なベイズ共形予測フレームワークについて述べる。これは$r$-valuesを用いて、スコアの変動性を不確実な非整合性スコアに変換する。
  論文  参考訳（メタデータ） (2026-05-22T03:17:14Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• E-Values Expand the Scope of Conformal Prediction [49.1574468325115]
  コンフォーマル予測は、分布のない不確実性定量化のための強力なフレームワークである。 本稿では,共形e-predictionと呼ばれる電子値に基づく代替手法について検討する。 E値は、p値では達成できない重要な利点を提供し、新しい理論的および実用的能力を実現する。
  論文  参考訳（メタデータ） (2025-03-17T10:54:30Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)

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。