論文の概要: Conformal Annotation with Randomized Expert Review: Application to Online Cell-Type Labeling
- arxiv url: http://arxiv.org/abs/2610.40252v1
- Date: Thu, 29 Oct 2026 15:20:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.524062
- Title: Conformal Annotation with Randomized Expert Review: Application to Online Cell-Type Labeling
- Title（参考訳）: ランダム化エキスパートレビューによるコンフォーマルアノテーション : オンライン細胞型ラベリングへの応用
- Abstract要約: 本稿では、ランダム化された専門家監査を利用して、分散シフト中のAI支援アノテーションの長時間エラー制御を実現する分散フリーフレームワークを提案する。
このワークフローは,監査サンプルの外部のフルストリームとセルの両方に対して,累積誤差の長期的制御を実現することを実証する。
- 参考スコア（独自算出の注目度）: 8.768884502289263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) models can accelerate cell-type annotation in digital pathology, but safely scaling their use requires determining, with error control, which model-generated labels can be accepted without expert review. This is challenging in evolving workflows because cell morphology and type composition may change across tissue regions and slides, making one-time calibration unreliable. We propose Conformal Annotation with Randomized Expert review under Distribution shift (CARED), a distribution-free framework that leverages randomized expert audit to achieve long-run error control for AI-assisted annotation under distribution shift. For each incoming batch, CARED uniformly selects a subset of cases for expert review and uses the acquired labels to calibrate later decisions. Among unreviewed cases, CARED determines a subset of them to safely skip expert labeling, while suggesting candidate labels for the others for downstream resolution. We prove that this workflow provides long-run control of cumulative error over both the full stream and the cells outside of the audit sample, without stationarity or exchangeability assumptions. We further enhance the framework by introducing class-conditional guarantees to ensure error control within important but rare cell types, together with a utility module to target more automatic resolutions, smaller candidate sets, and greater biological coherence, without compromising validity. Experiments on pancreas, lung, and ovary annotation streams, together with a stream constructed from real expert annotations, show that CARED controls the cumulative errors while a substantial fraction of cells (up to 70%) bypass expert review.
- Abstract（参考訳）: 人工知能(AI)モデルは、デジタル病理学における細胞型アノテーションを加速することができるが、安全に使用をスケールするには、モデル生成ラベルを専門家のレビューなしに受け入れることができるエラー制御が必要である。
これは、細胞の形態や型組成が組織領域やスライドにまたがって変化し、ワンタイムキャリブレーションが信頼できないため、ワークフローの進化において難しい。
本稿では,分散シフト中のAI支援アノテーションの長期エラー制御を実現するために,ランダム化専門家監査を利用した分散自由度フレームワークCARED(Conformal Annotation with Randomized Expert review under Distribution shift)を提案する。
入ってくるバッチ毎に、CAREDは専門家レビューのためのケースのサブセットを均一に選択し、取得したラベルを使用して後の決定を校正する。
レビューされていないケースの中で、CAREDはそのサブセットを専門家のラベル付けを安全にスキップし、下流の解決のために他の候補のラベルを提案する。
本研究では,本ワークフローが,監査サンプル外の全ストリームとセルの両方に対して,定常性や交換可能性の仮定を伴わずに,長期にわたって累積誤差を制御できることを実証する。
さらに我々は,重要だが稀な細胞タイプにおけるエラー制御を確保するためのクラス条件保証と,より自動化された解像度,より小さい候補セット,より大きな生物学的コヒーレンスを,有効性を損なうことなく目標とするユーティリティモジュールを導入することで,フレームワークをさらに強化する。
膵臓、肺、卵巣のアノテーションストリームに関する実験は、実際の専門家のアノテーションから構築されたストリームと共に、CAREDが累積誤差を制御し、専門家のレビューをパスする細胞(最大70%)がかなりの割合を占めていることを示している。
関連論文リスト
- Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。
自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。
本稿は、強い透かしに代わる聴覚的な代替品を開発する。
論文 参考訳（メタデータ） (2026-10-05T13:32:41Z) - Active Learning for Biodiversity Monitoring: From Label Efficiency to Reliable Ecological Inference [4.257119184870449]
アクティブラーニング(AL)は、目標のパフォーマンスに到達するために必要なラベルを削減できる。
ALはサンプルを非ランダムに選択するため、ラベルは検証、校正、しきい値選択には適さない。
AL研究を音響的・画像的モダリティにわたって合成し,ギャップと機会を識別する。
論文 参考訳（メタデータ） (2026-09-23T06:21:51Z) - How to Estimate Whether You Have Found Several Needles in a Haystack: Measuring Calibration in Multi-Label Text Classification [79.91711484993074]
ほとんどの信頼性キャリブレーション指標はバイナリやマルチクラスのタスクを対象としていますが、マルチラベルキャリブレーションは未検討のままです。
ラベルに期待されるキャリブレーション誤差を計算するための既存のバイナリスキームは、誤りを過小評価するか、単にラベル周波数を反映するか、あるいは非常に少ないインスタンスで多くのビンに悩まされているかを示す。
本稿では,正と負のラベルの割り当てに等しい重みを与える新しいビンニング手法を提案する。
論文 参考訳（メタデータ） (2026-09-22T14:15:54Z) - A Decision-Support Audit Protocol for Supervision Drift in Proxy-Labeled Credit-Risk Prediction [2.0804785116579425]
クレジットリスクモデルはプロキシラベルに基づいてトレーニングされるが、基準レートシフト、確率スケールシフト、特徴ラベル関係の変更を分離する指標は存在しない。
我々は,プロキシラベル付きクレジットリスク予測における監視ドリフトのための,ロックされた多信号監査プロトコルであるデザインサイエンスアーティファクトにコントリビュートする。
論文 参考訳（メタデータ） (2026-09-14T17:20:35Z) - NL-PAC: Specification Ambiguity and Certified Minimax Risk Floors in LLM-Mediated Supervision [0.9475982252982437]
固定モデルのしきい値付き復号法を用いて許容ラベルと候補ターゲットを定義するフレームワークであるNatural Language PACを紹介する。
凍結したQwen2.5--3B監査では、事前に特定されたプロンプトが正のモデル相対証明を出力し、パラフレーズと正確なルール制御がゼロになる。
論文 参考訳（メタデータ） (2026-07-09T21:53:00Z) - Uncertainty-Calibrated Explainable AI for Fetal Ultrasound Plane Classification [0.0]
胎児超音波標準平面分類は、出生前生検と異常検診の信頼性を高める。
実世界の展開は、ドメインシフト、画像ノイズ、予測される確率のキャリブレーションによって制限される。
本稿では,胎児平面分類における不確実性校正可能なAIの実践的枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-02T21:32:26Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳（メタデータ） (2023-07-25T04:04:49Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z)
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。