論文の概要: On the Benefits of Uncertainty Estimation for Species Classification: A Case Study on Optimizing Expert re-Annotation

• arxiv url: http://arxiv.org/abs/2610.25977v1
• Date: Mon, 19 Oct 2026 08:04:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:14:26.479569
• Title: On the Benefits of Uncertainty Estimation for Species Classification: A Case Study on Optimizing Expert re-Annotation
• Title（参考訳）: 種分類における不確実性推定の利点について-専門家再注釈の最適化を事例として-
• Abstract要約: 759クラスの珪藻データセットのためのResNet-18ベースラインを開発した。 選択マクロF1スコアの99.01%が66.2%の範囲で維持可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.2303803731481366
• License:
• Abstract: Automated identification of diatoms from microscopic images is a cornerstone of large-scale freshwater biomonitoring, yet the high diversity of species and strong class imbalance pose significant challenges for reliable classification. In this study, we develop a ResNet-18 baseline for a 759-class diatom dataset and investigate how calibrated confidence estimates support selective classification to reduce expert workload without sacrificing taxonomic integrity. While the initial model exhibits overconfidence with an Expected Calibration Error (ECE) of 0.117, post-hoc temperature scaling (T = 2.12) dramatically improves reliability, lowering the ECE to 0.055.By leveraging these calibrated probabilities within a triage framework, we demonstrate that a Selective Macro-F1 score of 99.01% can be maintained at 66.2% coverage (rejection threshold $τ$ = 0.934). Qualitative analysis reveals that the system effectively functions as an intelligent filter, consistently deferring rare taxa-such as AAMB and AASI-and ambiguous morphologies for expert review. Our findings, supported by the torch-uncertainty framework, highlight the potential of simple calibration techniques to make automated diatom identification practical and robust, prioritizing the preservation of rare species metrics essential for ecological assessment. To support reproducibility, our code, environment specifications, and calibration results are available anonymously at https://anonymous.4open. science/r/greenprwksp-B53D/README.
• Abstract（参考訳）: 顕微鏡画像から珪藻を自動同定することは、大規模な淡水生物モニタリングの基盤であるが、種多様性と強い階級不均衡は、信頼性の高い分類に重大な課題をもたらす。 本研究では,759クラスの珪藻群集を対象としたResNet-18ベースラインを開発し,分類学的整合性を犠牲にすることなく,専門家の作業量を削減するための選抜分類を支援する方法について検討する。 初期モデルは0.117の予測校正誤差 (ECE) で過信感を示す一方で, 保温後のスケーリング (T = 2.12) は信頼性を劇的に向上し, ECEを0.055に低下させ, トリアージフレームワーク内でこれらの校正確率を活用することにより, 選択的なマクロF1スコア99.01%を66.2%のカバレッジで維持できることを実証した(拒絶しきい値$τ$ = 0.934)。 定性的分析により、このシステムは知的フィルターとして効果的に機能し、専門家のレビューのために、AAMBやAASIのような希少な分類群とあいまいな形態を一貫して遅延させることが明らかとなった。 本研究は, トレンチ不確実性フレームワークによって支持され, 珪藻の自動識別を実用的かつ堅牢にするための簡易校正技術の可能性を強調し, 生態学的評価に不可欠な希少種の指標の保存を優先した。 再現性をサポートするため、コード、環境仕様、キャリブレーションの結果はhttps://anonymous.4open.comで匿名で公開されている。 science/r/greenprwksp-B53D/README

関連論文リスト

• TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation [0.0]
  深層学習アプローチは、臨床領域シフトの下で高い偽陰性率と過信に関して重大な課題に直面します。 マルチスケール (10x, 20x, 40x) の甲状腺分類フレームワークである TAM-Chain を提案する。 フレームワークは、吸収調和プロセスとして多重化特徴抽出を動的にモデル化する。
  論文  参考訳（メタデータ） (2026-09-23T14:58:01Z)
• Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
  本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。 我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
  論文  参考訳（メタデータ） (2026-03-16T17:37:17Z)
• SafeBench-Seq: A Homology-Clustered, CPU-Only Baseline for Protein Hazard Screening with Physicochemical/Composition Features and Cluster-Aware Confidence Intervals [26.81598226089532]
  SafeBench-Seqはメタデータのみの再現可能なベンチマークと,すべて公開データから構築されたベースライン分類器である。 の脅威を近似するために、組み合わせたデータセットを40パーセントのIDでクラスタリングし、クラスタレベルのホールドアウトを実行します。 AUROC/AUPRCとスクリーニング操作点(TPR@1% FPR; FPR@95% TPR)の95%ブートストラップ信頼区間(n=200)を報告した。 我々は,ブライアスコア,期待誤差(ECE),15ビン,信頼性図を用いて,確率品質を定量化する。
  論文  参考訳（メタデータ） (2025-12-19T12:51:31Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
  我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。 私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
  論文  参考訳（メタデータ） (2025-12-09T23:09:22Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• 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)

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。