論文の概要: Shared Canonical Component Removal Beyond Expert Views

• arxiv url: http://arxiv.org/abs/2610.13819v1
• Date: Fri, 09 Oct 2026 16:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.687138
• Title: Shared Canonical Component Removal Beyond Expert Views
• Title（参考訳）: 専門家の視点を超えた共有標準コンポーネントの削除
• Abstract要約: 生の入力でトレーニングされたブラックボックスモデルは、エキスパートビューでトレーニングされたモデルより優れている。 我々は、このギャップをCanonical Shared Component removalを使って定量化する監査フレームワークを導入する。 SCCRは、専門家の視点が不十分である方法を特定し、残差予測信号を復元する。
• 参考スコア（独自算出の注目度）: 10.996640754220012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In clinical practice, experts often begin by converting raw inputs into a set of expert features before making a decision. While black-box models trained on raw input can outperform models trained on expert views, it remains unclear what predictive signal the raw model exploits beyond what the expert view captures. We introduce an audit framework to quantify this gap using Shared Canonical Component Removal (SCCR). Unlike standard residualization or concept erasure, SCCR selectively removes only those directions strongly shared between learned raw and expert embeddings. Evaluations on synthetic data, coronary artery disease (CAD) detection, antidepressant treatment dropout prediction, and skin lesion classification using SkinCon annotations show that SCCR identifies the ways in which expert views are insufficient and recovers residual predictive signal while minimizing redundancy with the expert view.
• Abstract（参考訳）: 臨床実践において、専門家は意思決定する前に、生の入力を専門家の特徴のセットに変換することから始めることが多い。 生のインプットでトレーニングされたブラックボックスモデルは、専門家のビューでトレーニングされたモデルよりも優れているが、専門家のビューが取得した以上の、生のモデルが悪用する予測シグナルは、まだ不明である。 共有標準成分除去(SCCR)を用いて,このギャップを定量化する監査フレームワークを導入する。 標準残留化や概念消去とは異なり、SCCRは学習された生と専門家の埋め込みの間で強く共有される方向のみを選択的に除去する。 SkinConアノテーションを用いた冠状動脈疾患(CAD)の検出,抗うつ薬治療のドロップアウト予測,皮膚病変の分類による評価は,SCCRが専門家の視点が不十分である方法を特定し,専門家の視点との冗長性を最小化しながら残存予測信号を回復することを示している。

関連論文リスト

• Structured Reasoning Agentic Framework for Interpretable Critical View of Safety Assessment [4.8728783463875205]
  視覚言語モデル(VLM)を利用した構造化推論フレームワークReasonCVSを提案する。 我々は解剖学的実体とその空間的関係を構造化された表現に整理する解剖学的シーングラフ抽象化(ASGA)を考案した。 Endoscapes-CVS201ベンチマークの実験では、ReasonCVSは最先端よりも優れたパフォーマンス(68.1% mAP)を達成している。
  論文  参考訳（メタデータ） (2026-09-25T17:01:56Z)
• SAUF-Net: Structure--Appearance Representation Learning with Uncertainty Feedback for Semi-Supervised Medical Image Segmentation [11.11888950065648]
  半教師型医用画像セグメンテーションのための不確かさフィードバックネットワークを用いた構造表現学習であるSAUF-Netを提案する。 本稿では、外観変化下で構造表現が安定し続けることを奨励するために、外観選択整合分岐を導入する。 ISIC-2016とKvasir-SEGの実験は、SAUF-Netが最先端の半教師付き手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-09-02T07:54:49Z)
• Making Clinical Language Models Auditable: Concept-Guided Fine-Tuning for Robust Prediction [3.504408436046102]
  臨床テキスト分類のためのSAEベースのフレームワークであるCAST(Concept-guided Artifact Suppression Tuning)を提案する。 MIMIC-IVの放電ノート死亡予測では、CASTはそれに対応する微調整エンコーダベースラインを改善している。
  論文  参考訳（メタデータ） (2026-08-27T17:28:35Z)
• Beyond Visual Cues: CoT-Enhanced Reasoning for Semi-supervised Medical Image Segmentation [11.723739388396815]
  CERS(CoT-Enhanced Reasoning)は、病理学的に異なるケースを区別するためにChain-of-Thought(CoT)推論を統合するフレームワークである。 歴史的証拠を特定するために意味認識参照選択戦略を導入する。 マルチスケール座標アテンションモジュールは、この推論に基づくコンテキストをデコードプロセスに効果的に融合するように設計されている。
  論文  参考訳（メタデータ） (2026-06-16T14:10:19Z)
• DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation [66.24948946364329]
  DeferredSegは、特定の地域の人間専門家に予測をデファクトする、遅延認識セグメンテーションフレームワークである。 我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 DeferredSegが一貫してベースラインを上回っていることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2026-04-14T07:50:31Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Unsupervised Causal Prototypical Networks for De-biased Interpretable Dermoscopy Diagnosis [25.56111601488338]
  CausalProtoは、視覚的エビデンスチェーンを浄化するunsupervised Causal Prototypeal Networkである。 CausalProtoは診断性能に優れ、標準のブラックボックスモデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-27T07:28:20Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。