論文の概要: BFHD: Bidirectional Feature Harmonization Decomposition for Heterogeneous Clinical Assessments
- arxiv url: http://arxiv.org/abs/2610.19352v1
- Date: Wed, 14 Oct 2026 00:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.864805
- Title: BFHD: Bidirectional Feature Harmonization Decomposition for Heterogeneous Clinical Assessments
- Title（参考訳）: BFHD : 不均一臨床評価のための双方向特徴調和分解法
- Abstract要約: 両方向の回復可能性問題として, 測定レベルでの臨床調和を定式化する。
目標は、アプリケーション定義の許容範囲内で、どの測定を両方向に確実に変換できるかを特定することである。
本稿では,双方向に結合した翻訳を行うフレームワークである双方向特徴調和分解(BFHD)を提案する。
- 参考スコア（独自算出の注目度）: 4.052516594617453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical assessments are often collected using heterogeneous assessment systems across centers and time, leading to records that mix different but related sets of measurements. This motivates harmonization beyond total-score linking. We formulate clinical harmonization at the measurement level as a bidirectional recoverability problem: given paired observations from two assessment systems, the goal is to identify which measurements can be reliably translated in both directions within an application-defined tolerance, while separating non-translatable components. We propose Bidirectional Feature Harmonization Decomposition (BFHD), a feasibility-driven framework that enforces bidirectionally coupled translation and uses feature-wise output gating to produce an explicit decomposition in the original measurement space. Experiments on synthetic data and real clinical assessment pairs show that BFHD achieves broader feasible harmonization coverage and improved subset stability compared to baselines.
- Abstract（参考訳）: 臨床評価は、中央と時間にまたがる不均一な評価システムを用いて収集されることが多く、異なるが関連する一連の測定結果が混在する。
これにより、トータルスコアリンク以上の調和がもたらされる。
本研究の目的は,2つの評価システムから得られた2対の観測結果から,非翻訳性成分を分離しつつ,アプリケーション定義の許容範囲内において,両方向に確実に変換可能な測定値を特定することである。
BFHD(Bidirectional Feature Harmonization Decomposition)は、双方向に結合した変換を強制する実現可能性駆動型フレームワークであり、特徴量ゲーティングを用いて、元の測定空間における明示的な分解を生成する。
合成データと実臨床評価ペアを用いた実験により,BFHDはベースラインと比較してより広範に調和し,サブセット安定性が向上することが示された。
関連論文リスト
- PLRS-IC: A Dual-Calibration Framework for Chest X-Ray Vision-Language Alignment [5.513669986269118]
胸部X線撮影における微細な視覚言語アライメントは、タスク固有のアノテーションなしでゼロショット分類、グラウンド化、セグメンテーションを可能にする。
胸部X線表現学習のための統合二重校正フレームワークPLRS-ICを提案する。
論文 参考訳（メタデータ） (2026-09-30T08:23:11Z) - PhyProbe: Rethinking Physical Consistency Evaluation in Generated Videos [60.78191036132455]
本稿では,凍結前兆エンコーダから軽量スコアリングヘッドによるスカラー物理一貫性違反スコアに特徴をマッピングする評価器PhyProbeを紹介する。
PhyProbeは、一対のランク付け、ノイズの多いスカラーアノテーションの回帰、および不均一な管理源のキュレートされたセットに対するアンカーベースのキャリブレーションを組み合わせた統一された目的によって訓練される。
実験により、PhyProbeは、実際の生成および生成されたペアにまたがるほとんどのペアワイズベンチマークにおいて、様々な対応の下で、先行手法よりも優れた性能を示すことが示された。
PhyProbeは、ランクベースと線形メトリクスの密接な一致によって、人間の判断と強い相関を達成し、スコアが両方であることを示す
論文 参考訳（メタデータ） (2026-09-29T18:35:23Z) - From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。
本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
論文 参考訳（メタデータ） (2026-09-06T05:43:22Z) - Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation [9.269164572474216]
不均一な治療効果を推定することは、パーソナライズされたプロモーションや精密な医療など、標的となる介入の中心である。
本研究では, 条件付き平均治療効果 (CATE) に着目した。
提案するCURL(Causal Uncertainty-Guided Representation Learning)は,推定器の不確実性を利用して,事前学習した意味能力を局所不安定単位に割り当てるプラグインアダプタである。
論文 参考訳（メタデータ） (2026-07-29T08:20:17Z) - Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - Estimating Total Effects in Bipartite Experiments with Spillovers and Partial Eligibility [5.914780964919124]
我々は、全てのユニットが相互作用を続けながら、処理側ユニットのサブセットのみを割り当てる2部システムにおけるランダム化実験について研究する。
適応性に制約のあるバイパートイト実験を形式化し,完全な展開に対応する推定値を定義する。
我々は、露出マッピング、一般化された確率スコア、フレキシブル機械学習を組み合わせた干渉対応アンサンブル推定器を開発した。
論文 参考訳（メタデータ） (2025-11-14T18:55:51Z) - Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling [19.269806092729468]
気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。
従来の手法は一貫性のない予測を生成する傾向にある。
本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T12:04:30Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Learning Robust Representation for Joint Grading of Ophthalmic Diseases
via Adaptive Curriculum and Feature Disentanglement [6.909256454481273]
糖尿病性網膜症(DR)と糖尿病性黄斑浮腫(DME)は、世界中で永久盲症の原因となっている。
動的難易度重み付き損失(DAW)と二重ストリーム非絡み合い学習アーキテクチャ(DETACH)を併用した共同学習フレームワークを提案する。
3つのベンチマークの実験は、データセット内テストとデータセット間テストの両方において、我々のフレームワークの有効性とロバスト性を示している。
論文 参考訳（メタデータ） (2022-07-09T03:02:36Z)
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。