論文の概要: Evidence Field: Adaptive Covering Programs for Medical Imaging

• arxiv url: http://arxiv.org/abs/2610.24773v1
• Date: Sat, 17 Oct 2026 16:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:21:45.008329
• Title: Evidence Field: Adaptive Covering Programs for Medical Imaging
• Title（参考訳）: エビデンスフィールド:医療画像の適応被覆プログラム
• Abstract要約: エビデンス・フィールド(Evidence Field)は、クラススコア、選択されたプログラム、署名されたエビデンスを共同で生成する訓練可能な空間プログラムアーキテクチャである。 エンコーダは絶対および画像相対応答場と連想空間モーメントを結合し、特徴和を学習する。 ネイティブな出力レコードは、入力、パラメータ、サポート、型、個別およびアンサンブル予測へのコンテキスト依存をバインドする。
• 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: Medical image classifiers typically return predictions without a native contract for independently reconstructing their spatial decision computation. Evidence Field is a trainable spatial-program architecture that jointly produces class scores, selected covering programs and signed evidence. Its encoder combines absolute and image-relative response fields with associative spatial moments and learned characteristic sums. A typed classifier scores individual regions and parent-conditioned multiplicative groups; a covering recursion selects scale, partition and composition. We establish exact one-fold coverage, optimality within the registered grammar, a bound relating smooth training to hard inference, signed-score conservation and class-centred offset invariance. Direct contractions and their adjoint specify arithmetic and storage scaling on two- and three-dimensional grids. Native output records bind inputs, parameters, supports, types and contextual dependencies to individual and ensemble predictions. In a separately reported histopathology application, patient-separated training and evaluation across held-out centres provide empirical evidence for the architecture. Trained mechanism and corrected-loss comparisons distinguish predictive effects from implementation correctness; independent readers reconstruct descriptors, routes, scores and probability mixtures. The principal contribution is a coupled representation, decision and evidence architecture whose selected computation can be reproduced independently.
• Abstract（参考訳）: 医用画像分類器は通常、空間決定計算を独立に再構成するネイティブコントラクトなしで予測を返す。 エビデンス・フィールド(Evidence Field)は、クラススコア、選択されたプログラム、署名されたエビデンスを共同で生成する訓練可能な空間プログラムアーキテクチャである。 エンコーダは絶対および画像相対応答場と連想空間モーメントを結合し、特徴和を学習する。 型付き分類器は、個別の領域と親条件の乗法群をスコアし、被覆再帰はスケール、パーティション、コンポジションを選択する。 我々は、正確な1倍のカバレッジ、登録文法内での最適性、厳密な推論、符号付きスコア保存、クラス中心のオフセット不変性に関するスムーズなトレーニングを定めている。 直接収縮とその随伴は、2次元および3次元グリッド上の算術と記憶のスケーリングを規定する。 ネイティブな出力レコードは、入力、パラメータ、サポート、型、個別およびアンサンブル予測へのコンテキスト依存をバインドする。 個別に報告された病理組織学の応用では、患者分離トレーニングと、留置センター間での評価が、建築の実証的な証拠となる。 訓練されたメカニズムと修正された損失比較は、実装の正しさと予測効果を区別し、独立した読者は、記述子、ルート、スコア、確率混合を再構成する。 主な貢献は、選択された計算を独立して再現できる複合表現、決定、エビデンスアーキテクチャである。

関連論文リスト

• Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
  被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。 本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T03:59:16Z)
• Neural Architecture Distributions: A New Paradigm for Stochastic Segmentation [8.128553138697024]
  セグメンテーションは 一つの画像に対して 複数の可視マスクを 表現しようとしてる 既存のほとんどのメソッドは、連続的な潜伏変数を注入するか、または反復的な軌道案内によって導入する。 セグメンテーションのための新しいソースとしてアーキテクチャ分布を提案する。
  論文  参考訳（メタデータ） (2026-06-19T03:14:00Z)
• Multi-Axis Speech Similarity via Factor-Partitioned Embeddings [4.241208172557664]
  本稿では,各発話を1つのベクトルにマッピングする因子分割埋め込みフレームワークを提案する。 共有音響エンコーダは、それぞれ専門教師の蒸留により訓練された軸方向の線形投影ヘッドを供給している。 我々は、ハーバードの文プロンプトを共有するコーパス上でのクロスコーパス検索を評価する。
  論文  参考訳（メタデータ） (2026-05-04T16:43:46Z)
• Direct Segmentation without Logits Optimization for Training-Free Open-Vocabulary Semantic Segmentation [48.806000388608005]
  Open-vocabulary semantic segmentation (OVSS) は、画像中の任意のカテゴリ領域をopen-vocabulary promptsを用いて分割することを目的としている。 セグメント化マップの解析解を直接導出することにより,ロジット最適化プロセスを改善する,より直接的なアプローチを提案する。
  論文  参考訳（メタデータ） (2026-04-09T02:14:35Z)
• Discriminative Flow Matching Via Local Generative Predictors [0.0]
  条件付き輸送プロセスとして分類と対象検出を再構成する枠組みを提案する。 本手法では,複数の独立フロー予測器を共有バックボーンにアタッチする。 このアーキテクチャは、アクティベーションメモリを最小化するために、あるいは異なるハードウェア制約に適合するために、ブロックを順次更新する柔軟性を提供する。
  論文  参考訳（メタデータ） (2026-03-14T12:56:29Z)
• Individualised Counterfactual Examples Using Conformal Prediction Intervals [12.895240620484572]
  機械学習の分類モデルに典型的な高次元の特徴空間は、決定に多くの反実例を許容する。 我々は,個人の知識を明示的にモデル化し,共形予測間隔の幅によって個人が行う予測の不確実性を評価する。 ハイパーキューブ上に合成データセットを配置し、決定境界を完全に視覚化する。 第2に、この合成データセットにおいて、1つのCPICFが、元のクエリの周囲の個々の知識に与える影響を探索する。
  論文  参考訳（メタデータ） (2025-05-28T13:13:52Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Eigen Analysis of Self-Attention and its Reconstruction from Partial Computation [58.80806716024701]
  ドット積に基づく自己注意を用いて計算した注意点のグローバルな構造について検討する。 注意点の変動の大部分は低次元固有空間にあることがわかった。 トークンペアの部分的な部分集合に対してのみスコアを計算し、それを用いて残りのペアのスコアを推定する。
  論文  参考訳（メタデータ） (2021-06-16T14:38:42Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• To Split or Not to Split: The Impact of Disparate Treatment in Classification [8.325775867295814]
  異なる処理は、機械学習モデルが機密属性に基づいて個人に対して異なる決定を下すときに発生する。 本稿では,分類器の分割による性能改善の定量化のための分割処理の利点を紹介する。 我々は,小規模凸プログラムを解くことで効率よく計算できる分割利益の等価表現を証明した。
  論文  参考訳（メタデータ） (2020-02-12T04:05:31Z)

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。