論文の概要: Evaluating Bayesian deep learning for robust biomedical time-series classification under distribution shift: A sleep scoring case study

• arxiv url: http://arxiv.org/abs/2610.35484v1
• Date: Mon, 26 Oct 2026 14:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.023735
• Title: Evaluating Bayesian deep learning for robust biomedical time-series classification under distribution shift: A sleep scoring case study
• Title（参考訳）: 分布変化下におけるバイオメディカル時系列分類のためのベイジアンディープラーニングの評価:睡眠スコアリングケーススタディ
• Abstract要約: 生物医学的時系列分類では、機械学習モデルはしばしば分布シフトによる精度の低下と校正に悩まされる。 ベイズモデル平均化(BMA)によるベイズ学習の効果について検討する。 In-distribution(ID)データと5つのout-of-distribution(OOD)データセットに基づいて、2つのニューラルネットワークバックボーンにまたがるシングルベースとマルチベースアプローチに関する9つの近似推論手法を比較した。
• 参考スコア（独自算出の注目度）: 1.7157697952618305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In biomedical time-series classification, machine learning models often suffer from deteriorating accuracy and calibration due to distribution shift. We investigate to what degree Bayesian-inspired deep learning improves robustness through Bayesian model averaging (BMA). Using rodent sleep scoring as a case study, we evaluate BMA under distribution shifts in genotype, laboratory, and species. We systematically compare nine approximate inference methods spanning single- and multi-basin approaches across two neural network backbones on in-distribution (ID) data and five out-of-distribution (OOD) datasets. In our results, multi-basin methods perform best, outperforming baselines and single-basin methods. Compared with point estimates, BMA generally improves OOD accuracy and calibration across both architectures, while yielding only modest ID gains. It also often improves selective prediction and OOD and artifact detection, but, interestingly, not inter-rater disagreement detection.
• Abstract（参考訳）: 生物医学的時系列分類では、機械学習モデルはしばしば分布シフトによる精度の低下と校正に悩まされる。 ベイズモデル平均化(BMA)を用いて,ベイズによるディープラーニングが頑健性を改善するかを検討する。 本研究の事例として, 遺伝子型, 実験室, 種における分布変化下でのBMAの評価を行った。 In-distribution(ID)データと5つのout-of-distribution(OOD)データセットに基づいて、2つのニューラルネットワークバックボーンにまたがるシングルベースとマルチベースアプローチにまたがる9つの近似推論手法を体系的に比較した。 以上の結果から,マルチベース方式は,ベースラインやシングルベース方式よりも優れていた。 点推定と比較すると、BMAは一般的に両方のアーキテクチャでOODの精度とキャリブレーションを向上するが、適度なIDゲインしか得られない。 また、選択予測やOOD、アーティファクト検出も改善するが、興味深いことに、層間不一致検出は行わない。

関連論文リスト

• Graph Out-of-Distribution Detection via Test-Time Calibration with Dual Dynamic Dictionaries [15.43092254877282]
  グラフアウト・オブ・ディストリビューション(OOD)検出の鍵となる課題は、トレーニング中に接地トルースOODサンプルが存在しないことである。 動的に動的に更新された辞書を用いてOODスコアを校正する,BaCaと呼ばれる新しいテスト時間グラフOOD検出法を提案する。 BaCaは、OOD検出における既存の最先端メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-11-17T16:14:48Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• TriAug: Out-of-Distribution Detection for Imbalanced Breast Lesion in Ultrasound [6.3267889365863414]
  乳房超音波画像のための長尾OOD検出タスクに基づく新しい枠組みを提案する。 有望なOOD検出性能を維持しつつ、ID分類精度を向上させる三重項状態拡張を備える。
  論文  参考訳（メタデータ） (2024-02-12T07:19:00Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Dual Conditioned Diffusion Models for Out-Of-Distribution Detection: Application to Fetal Ultrasound Videos [9.194340639317401]
  機械学習モデルの信頼性を向上させるためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 本稿では,分散クラス情報にモデルを適用した二条件拡散モデル(DCDM)を提案する。 これは、モデルの生成多様体を制約し、構造的および意味論的に、分布内にあるものに似た画像を生成する。
  論文  参考訳（メタデータ） (2023-11-01T12:10:55Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
  本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。 内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。 また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
  論文  参考訳（メタデータ） (2022-06-20T16:32:49Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)

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。