論文の概要: Beyond Multi-Stage Pipelines: A Label-Correlation Ensemble for Multi-Label Retinal Fundus Disease Classification
- arxiv url: http://arxiv.org/abs/2610.23747v1
- Date: Fri, 16 Oct 2026 16:54:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:08.028767
- Title: Beyond Multi-Stage Pipelines: A Label-Correlation Ensemble for Multi-Label Retinal Fundus Disease Classification
- Title（参考訳）: マルチステージパイプラインを超えて:多ラベル網膜基底疾患分類のためのラベル相関アンサンブル
- Abstract要約: RFMiD 1.0, RFMiD 2.0, ODIR-5Kから構築した39ターゲットラベル空間上での3つのアーキテクチャの比較を行った。
3つとも1つのSwin-V2-Bバックボーン、1つの前処理パイプライン、1つのトレーニングプロトコルを共有している。
- 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: Retinal fundus images frequently carry more than one disease, and public fundus datasets are heterogeneous and severely long-tailed. Clinical triage suggests a staged design, in which a screening gate, a disease-group router and group-specific classifiers operate in sequence, but it is unclear whether this hierarchy earns its complexity. We present a controlled comparison of three architectures on a unified 39-target label space built from RFMiD 1.0, RFMiD 2.0 and ODIR-5K (12,652 images): (i) a three-stage gated cascade of eight models, (ii) a flat model with 39 independent sigmoid outputs, and (iii) a label-correlation model that replaces the flat linear head with 39 learned label queries and a two-layer transformer decoder. All three share one Swin-V2-B backbone, one preprocessing pipeline and one training protocol, so differences are attributable to the architecture. Staging offers no consistent advantage: tracing every missed disease instance to the stage that lost it shows that the two coarse gates discard 34.2% of true instances while the fine-grained classifiers lose only 6.7%, and the gates' hard zeros depress the cascade's macro-AUC to 0.747. Label-correlation modeling gives the largest single gain, raising the detection rate from 0.621 to 0.682 (0.689 with test-time augmentation). Blending the flat and label-correlation models under four-view test-time augmentation is the best configuration on six of eight metrics (exact match 0.694, micro-F1 0.678, macro-F1 0.456, macro-AUC 0.972). On definition-matched class subsets it matches or exceeds four recent studies on macro- and micro-F1, most clearly on low-support pathologies. We also show that ensembling a gated cascade with continuous-output models is harmful, and that per-source negative sampling is needed to remove a dataset shortcut that otherwise yields a spurious AUC of 1.000.
- Abstract（参考訳）: 網膜眼底画像は複数の疾患を伴い、公的眼底のデータセットは異質で非常に長い尾を持つ。
臨床トリアージは、スクリーニングゲート、病グループルータ、グループ固有の分類器が順次動作する段階的な設計を示唆するが、この階層が複雑さを生んでいるかどうかは不明である。
RFMiD 1.0, RFMiD 2.0, ODIR-5K(12,652画像)から構築した39ターゲットラベル空間上での3つのアーキテクチャの比較を行った。
(i)8種類の3段式ゲート・カスケード
(ii)39個の独立シグモイド出力を持つ平面モデル、及び
3) フラットリニアヘッドを39個の学習ラベルクエリと2層トランスデコーダで置き換えたラベル相関モデル。
3つとも1つのSwin-V2-Bバックボーン、1つの前処理パイプライン、1つのトレーニングプロトコルを共有している。
2つの粗いゲートは34.2%を破棄し、粒度の細かい分類器は6.7%しかなく、ゲートのハードゼロはカスケードのマクロAUCを0.747に下げている。
ラベル相関モデリングは最大1つのゲインを与え、検出率は0.621から0.682(テスト時間拡張で0.689)に上昇する。
4ビューの試験時間拡張の下でのフラットとラベルの相関モデルは、8つのメトリクスのうち6つで最高の構成である(例:0.694, micro-F1 0.678, macro-F1 0.456, macro-AUC 0.972)。
定義マッチングされたクラスサブセットでは、マクロF1とマイクロF1に関する最近の4つの研究が一致または超えている。
また、連続出力モデルでゲートカスケードをアンサンブルすることは有害であり、ソースごとの負のサンプリングはデータセットのショートカットを除去するために必要であり、そうでなければ1,000の刺激的なAUCが得られることを示す。
関連論文リスト
- Fault-Class-Matched Test Oracles for Output-Invisible Quantum Transpiler Regressions [0.25489046505746704]
量子トランスパイラのテストオラクルは典型的には、コンパイルされた出力を参照と比較することによって正確性を判断する。
本稿では,そのギャップを,フォールトクラスマッチング,レイアウト対応,幅階層のオラクルファミリと埋める。
論文 参考訳（メタデータ） (2026-09-21T07:52:28Z) - Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。
我々は解剖学的参照としてFastSurferセグメンテーションを使用します。
私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文 参考訳（メタデータ） (2026-09-14T17:13:12Z) - Below the Noise Floor: Bimodal Seed Collapse and Distinct Failure Modes in Small-Model Knowledge Distillation [0.3525984766628294]
1.5B Qwenの学生と20Bの教師による740インスタンスの医療APIルーティングタスクでは、8つのKD変種と教師付きクロスエントロピーを比較した。
i) 種子当たりの標準偏差は2.8から48.7%の範囲であり、クレームKDの上昇率は5ポイント以下である。
論文 参考訳（メタデータ） (2026-08-27T21:40:19Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - FailureScope: Cross-Regime Behavioral Diagnosis of Language Model Weaknesses [0.0]
FailureScopeは、クロスモデルパス/フェイルパターンによる評価プローブをクラスタ化する行動診断手法である。
通常、シングルターン・ベンチマーク、マルチターン・ダイアログ、敵エージェント・アタックの3つのレシスタンスに対して安定かつ解釈可能な障害をもたらすことを示す。
論文 参考訳（メタデータ） (2026-06-03T01:28:00Z) - ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。
ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
論文 参考訳（メタデータ） (2026-05-27T07:33:47Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - MuteBench: Modality Unavailability Tolerance Evaluation for Incomplete Multimodal Fusion [37.86089523035199]
7つの臨床領域から9つのデータセットをカバーするベンチマークであるMuteBenchを提示する。
アーキテクチャファミリは、パラメータ数を上回る、ロバスト性の最も強い予測要因であることがわかった。
チャネルに依存しないモデルは、モダリティの欠如を許容するが、モダリティの欠如に敏感である。
論文 参考訳（メタデータ） (2026-05-13T19:32:11Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。
アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
論文 参考訳（メタデータ） (2026-03-15T21:34:59Z) - ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。
ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。
提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
論文 参考訳（メタデータ） (2025-10-21T06:51:30Z)
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。