論文の概要: Revealing Hidden Failure Modes in Chest X-ray Classification via Spectral Domain Analysis

• arxiv url: http://arxiv.org/abs/2610.29830v1
• Date: Wed, 21 Oct 2026 14:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.386781
• Title: Revealing Hidden Failure Modes in Chest X-ray Classification via Spectral Domain Analysis
• Title（参考訳）: 分光ドメイン分析による胸部X線分類における隠れ破壊モードの探索
• Abstract要約: スペクトル分析を用いた自動故障モード検出のためのデータ中心フレームワークを提案する。 モデル故障はランダムに分散するのではなく、特定のスペクトルクラスタに強く集中していることを示す。
• 参考スコア（独自算出の注目度）: 0.06554326244334865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for chest X-ray anomaly detection remain vulnerable to subtle distributional shifts (e.g., acquisition technique, patient-related factors, and preprocessing). Traditional error analysis often relies on semantic metadata or model embeddings, which can mask low-level signal variations that degrade performance. In this work, we propose a data-centric framework for automated failure mode discovery using spectral analysis. We project images into the frequency domain and extract a compact profile summarizing the distribution of signal energy across frequency bands. By performing unsupervised clustering on these spectral profiles, we demonstrate that model failures are not randomly distributed, but are strongly concentrated within specific spectral clusters. This method effectively isolates "blind spots", enabling the prediction of model reliability and the discovery of performance-degrading data slices without requiring ground-truth failure annotations.
• Abstract（参考訳）: 胸部X線異常検出のための深層学習モデルは、微妙な分布シフト(例えば、取得技術、患者関連因子、前処理)に弱いままである。 従来のエラー解析は、しばしばセマンティックメタデータやモデル埋め込みに依存しており、性能を低下させる低レベル信号のバリエーションを隠蔽することができる。 本研究では,スペクトル分析を用いた自動故障モード検出のためのデータ中心フレームワークを提案する。 我々は、周波数領域に画像を投影し、周波数帯域間の信号エネルギー分布を要約したコンパクトなプロファイルを抽出する。 これらのスペクトルプロファイル上で教師なしクラスタリングを行うことにより、モデル故障はランダムに分散するのではなく、特定のスペクトルクラスタに強く集中していることを示す。 この手法は「盲点」を効果的に分離し、モデル信頼性の予測と性能劣化データスライスの発見を可能にする。

関連論文リスト

• Revisiting Spectral Representations in Generative Diffusion Models [98.43552218868837]
  拡散モデルは多様な生成タスクにおいて顕著な性能を示した。 近年の研究では,拡散ネットワークの隠れ状態に表現アライメントを付与することで,トレーニングの収束とサンプリング品質の向上が図られている。 摂動カーネルの共有視点による自己教師付きスペクトル表現学習と拡散生成モデルの関連性について検討する。
  論文  参考訳（メタデータ） (2026-09-08T04:54:02Z)
• Score-based diffusion models for diffuse optical tomography with uncertainty quantification [0.8443238959374133]
  本稿では,学習とモデルベースコンポーネントからなる混合スコアを構成することで,スコア関数の過度な適合を防止する新しい正規化手法を提案する。 実験により、データ駆動の事前分布は、古典的モデルに基づく推定と比較して、低分散の後方サンプルをもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-03T12:14:07Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
  監視されたディープネットワークは、放射線学者による多数の注釈を取る。 私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。 本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
  論文  参考訳（メタデータ） (2021-02-19T12:32:58Z)
• Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks [30.970377781506258]
  クラス不均衡の問題と異常な事例の欠如に悩まされる。 本稿では,ガウス混合生成適応ネットワーク(GMGAN)を半教師付き学習フレームワークで提案する。 実験により,本モデルは従来の手法よりも明らかに優れており,DCASEデータセットの最先端結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-04T03:39:50Z)

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。