論文の概要: Fisher Contrastive Learning to Mitigate Feature Suppression: A Case Study in Acute Promyelocytic Leukemia Diagnosis

• arxiv url: http://arxiv.org/abs/2610.40162v1
• Date: Thu, 29 Oct 2026 14:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.518449
• Title: Fisher Contrastive Learning to Mitigate Feature Suppression: A Case Study in Acute Promyelocytic Leukemia Diagnosis
• Title（参考訳）: 特徴抑制のためのフィッシャーコントラスト学習 : 急性前骨髄球性白血病の1例
• Abstract要約: 本稿では,FCL(Fisher Contrastive Learning)について紹介する。 FCLはフィッシャー判別関数の識別強度を最大化することにより埋め込みを学習する。 実世界のバイオメディカルアプリケーションにおいて,機能抑制を誘発するシミュレーションベンチマークでFCLを実証する。
• 参考スコア（独自算出の注目度）: 6.978468264761773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised contrastive learning (SSCL) learns representations by contrasting augmented views of the same sample, but it can exhibit feature suppression, where dominant or easy-to-learn factors suppress other class-relevant signals, degrading the performance of representations, particularly in high-dimensional data with heterogeneous features. We introduce Fisher Contrastive Learning (FCL), which uses a regularized Fisher trace criterion to address feature suppression. FCL learns embeddings by maximizing the discriminative strength of Fisher discriminant functions, producing representations that preserve class-relevant information implied by the augmentation process. We prove that the representations learned by FCL could alleviate the feature suppression effects. We demonstrate FCL on simulated benchmarks designed to induce feature suppression and on a real-world biomedical application, pretraining on large white blood cell microscopy image dataset and transfer learning for diagnosis of acute promyelocytic leukemia in an external cohort. In all experiments, FCL outperforms the self-supervised baselines and yields more robust and discriminative representations.
• Abstract（参考訳）: 自己教師付きコントラスト学習(SSCL)は、同じサンプルの強化ビューを対比して表現を学習するが、支配的あるいは学習しやすい要因が他のクラス関連信号を抑制し、特に不均一な特徴を持つ高次元データにおいて表現性能を低下させる特徴抑制を示すことができる。 本稿では,FCL(Fisher Contrastive Learning)について紹介する。 FCLは、フィッシャー判別関数の識別強度を最大化して埋め込みを学習し、拡張プロセスによって示唆されるクラス関連情報を保存する表現を生成する。 FCLで学習した表現は,特徴抑制効果を緩和できることを示す。 我々は,FCLを,機能抑制を誘発する模擬ベンチマークと実世界のバイオメディカル応用に応用し,大きな白血球顕微鏡画像データセットを事前学習し,急性前骨髄球性白血病の診断のための転写学習を行った。 すべての実験において、FCLは自己教師付き基底線より優れ、より堅牢で差別的な表現をもたらす。

関連論文リスト

• Domain-Specific Self-Supervised Representation Learning for Retinal Fundus Classification [0.0]
  自己教師付き学習は、ラベルのないデータから有用な表現を学ぶための有望な代替手段として登場した。 本研究では,眼底画像からの網膜疾患分類のためのSSLフレームワークSimSiamとSimCLRについて検討する。 網膜画像の特徴に対する改善戦略の調整が,性能向上に重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2026-08-27T06:44:04Z)
• A Data-Centric Framework for Intraoperative Fluorescence Lifetime Imaging for Glioma Surgical Guidance [2.1626027566082127]
  本稿では、信頼性学習(CL)、クラス改良、ターゲットラベル評価を統合したデータ中心型AI(DC-AI)フレームワークを提案する。 CLはFLIm点レベルの信頼度を定量化し,ラベルの不整合を同定し,反復型クラスを3種類のスキームにマージする。 その結果得られた高忠実度データセットは、3クラスタスクで96%の精度を達成したモデルのトレーニングを可能にした。
  論文  参考訳（メタデータ） (2026-04-28T22:12:15Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• A Novel Transformer-Based Self-Supervised Learning Method to Enhance Photoplethysmogram Signal Artifact Detection [0.0699049312989311]
  本研究は、自己教師付き学習(SSL)を用いて、このデータから潜伏した特徴を抽出することにより、豊富なラベル付きデータの未利用に対処する。 実験の結果,SSLはTransformerモデルの表現学習能力を大幅に向上させることがわかった。 このアプローチは、注釈付きデータがしばしば制限されるPICU環境において、より広範なアプリケーションに対して約束される。
  論文  参考訳（メタデータ） (2024-01-02T04:00:48Z)
• An Investigation of Representation and Allocation Harms in Contrastive Learning [55.42336321517228]
  比較学習 (CL) は, 少数集団と少数集団の表現を崩壊させる傾向にあることを示す。 本稿では,この現象を表現障害と呼び,対応するCL手法を用いて画像とテキストのデータセットに示す。 対照的な学習環境において,表現の崩壊につながるニューラルブロックモデルを用いて表現障害の理論的説明を行う。
  論文  参考訳（メタデータ） (2023-10-02T19:25:37Z)
• Self-Supervised Learning of Gait-Based Biomarkers [0.0]
  マーカーレスモーションキャプチャー(MMC)は、よりアクセスしやすくすることで、臨床環境で歩行分析に革命をもたらしている。 画像処理から自然言語処理まで、さまざまな分野において、大量の無注釈データからの自己教師付き学習(SSL)は下流タスクに非常に効果的な表現をもたらす。 注釈のない歩行データに対する対照的な学習は、臨床的に意味のある情報をキャプチャする表現を学習する。
  論文  参考訳（メタデータ） (2023-07-30T21:04:17Z)
• CLIP-Lung: Textual Knowledge-Guided Lung Nodule Malignancy Prediction [34.35547775426628]
  肺結節の予測は、高度なディープラーニング技術と効果的なトリックによって強化されている。 現在の手法は主に1ホットカテゴリーラベルを用いたクロスエントロピー損失で訓練されている。 肺悪性度予測のためのテキスト知識誘導フレームワークであるCLIP-Lungを提案する。
  論文  参考訳（メタデータ） (2023-04-17T06:29:14Z)
• On Higher Adversarial Susceptibility of Contrastive Self-Supervised Learning [104.00264962878956]
  コントラスト型自己教師学習(CSL)は,画像と映像の分類において,教師あり学習のパフォーマンスに適合するか上回っている。 2つの学習パラダイムによって誘導される表現の性質が似ているかどうかは、いまだに不明である。 我々は,CSL表現空間における単位超球面上のデータ表現の均一分布を,この現象の鍵となる要因として同定する。 CSLトレーニングでモデルロバスト性を改善するのにシンプルだが有効である戦略を考案する。
  論文  参考訳（メタデータ） (2022-07-22T03:49:50Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。