論文の概要: DOSE: Dominance-Guided Ordinal Severity Estimation from Sparse Relative Annotations

• arxiv url: http://arxiv.org/abs/2610.39584v1
• Date: Thu, 29 Oct 2026 08:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:18:39.377936
• Title: DOSE: Dominance-Guided Ordinal Severity Estimation from Sparse Relative Annotations
• Title（参考訳）: DOSE:スパース相対アノテーションによる支配誘導正規度推定
• Abstract要約: Sparse Relative s (DOSE) を用いた支配誘導正規度推定法を提案する。 DOSEは、観測された比較結果をグローバル比較グラフを通じて集約し、各画像の優位点を推定する。 実験では、DOSEはACNE04、IDRiD、LIMUCでペアワイズレベルのベースラインを一貫して上回った。
• 参考スコア（独自算出の注目度）: 17.144124081030203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical severity estimation commonly relies on absolute grade annotations, which are fundamentally ordinal, yet existing methods often treat the grades as independent categories. Learning-to-rank methods, which can be trained using relative annotations based on severity comparisons of image pairs, can provide continuous severity rankings but cannot directly predict discrete severity grades. We propose Dominance-guided Ordinal Severity Estimation from Sparse Relative Annotations (DOSE), a framework for learning ordinal medical severity from sparse pairwise comparisons without using absolute annotations. DOSE aggregates the observed comparisons through a global comparison graph to estimate a dominance score for each image. Differences between dominance scores set cumulative margins in the embedding space, so that pairs with larger estimated severity differences are separated more strongly, and also generate pseudo-pairs that supervise a scalar severity head alongside the observed comparisons. The learned continuous severity axis is converted into discrete grades via label-free score calibration, with tie-anchored segmentation as the main calibration method. In the experiment, DOSE consistently outperformed pairwise-ranking baselines on ACNE04, IDRiD, and LIMUC under different pair budgets. Code is available at https://github.com/TushirSahu/DOSE
• Abstract（参考訳）: 医学的重大度推定は、基本的には順序づけられた絶対的な格付けアノテーションに依存しているが、既存の手法ではこれらの格付けを独立したカテゴリーとして扱うことが多い。 画像ペアの重大度比較に基づいて相対アノテーションを用いて学習する学習 to ランク法は、連続的な重大度ランキングを提供することができるが、離散的重大度グレードを直接予測することはできない。 絶対的アノテーションを使わずに、疎対比較から経時的医学的重症度を学習するためのフレームワークである、スパース相対アノテーション(DOSE)を用いた支配誘導型経時的重症度推定法を提案する。 DOSEは、観測された比較結果をグローバル比較グラフを通じて集約し、各画像の優位点を推定する。 埋め込み空間に累積マージンを設定した支配スコアの差は、より大きい推定重大度差のペアをより強く分離し、観察された比較とともにスカラー重大度頭部を監督する擬似ペアを生成する。 学習した連続重心軸をラベルフリースコアキャリブレーションにより離散グレードに変換し,タイアンコールセグメンテーションを主キャリブレーション法とする。 この実験では、DOSEはACNE04、IDRiD、LIMUCにおいて、異なるペアの予算の下で、ペアワイズレベルのベースラインを一貫して上回った。 コードはhttps://github.com/TushirSahu/DOSEで入手できる。

関連論文リスト

• Contrastive Order Learning: A General Framework for Ordinal Regression [17.77573567161977]
  ConOrdは、順序回帰のための対照的な学習フレームワークである。 対照的な学習と秩序的な学習の強みを統合する。 最先端のパフォーマンスを一貫して達成し、さまざまな順序の回帰シナリオでうまく一般化します。
  論文  参考訳（メタデータ） (2026-07-09T04:48:26Z)
• Be Indiscrete: The Benefits of Learning Continuous Spine Degeneration Severity Scores [39.3098730337656]
  SpineRankNetは、腰椎MRIからスカラー重症度スコアを学習するフレームワークである。 連続的なスコアを生成するためにランキング損失を用いて訓練されたモデルがMRIスキャンのきめ細かい順序付けを可能にすることを示す。 ランク付けによって得られるスコアは、より遠いクラス間の差別も改善する。
  論文  参考訳（メタデータ） (2026-07-06T13:51:28Z)
• Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap [75.41420283374737]
  オーバーラップは因果治療効果推定の鍵となる条件である。 本稿では,デコンウンディングスコア(deconfounding scores)と呼ばれる特徴表現のクラスを提案する。 このクラスでは, 予後スコアが重なり合うことを示す。
  論文  参考訳（メタデータ） (2026-04-01T12:19:42Z)
• Deep Bayesian Active Learning-to-Rank with Relative Annotation for Estimation of Ulcerative Colitis Severity [10.153691271169745]
  本稿では,相対的アノテーションに対して適切なペアを自動的に選択する深ベイズ能動的学習 to ランクを提案する。 本手法は,サンプルのモデル不確実性から,ラベルのないペアに高い学習効率でアノテートする。
  論文  参考訳（メタデータ） (2024-09-08T02:19:40Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
  本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。 正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。 各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-01-05T11:17:55Z)
• Decreasing Annotation Burden of Pairwise Comparisons with Human-in-the-Loop Sorting: Application in Medical Image Artifact Rating [3.5314411880556063]
  ペア比較によるランキングでは、順序分類よりも信頼性が向上している。 本稿では,定量的な測定値によってランク付けに必要なペアワイズ比較数を減少させる手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T04:02:45Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。