論文の概要: OpenBrain: An Auditable Generated-Label Release for Whole-Brain MRI Parcellation

• arxiv url: http://arxiv.org/abs/2611.05348v1
• Date: Tue, 03 Nov 2026 18:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 05:47:11.692184
• Title: OpenBrain: An Auditable Generated-Label Release for Whole-Brain MRI Parcellation
• Title（参考訳）: OpenBrain:全脳MRIパーセレーションのための監査可能な生成ラベルリリース
• Abstract要約: OpenBrainは、607ソースデータセットから証明されたOpenNeuro T1wケースの信頼性を意識したリリースである。 OpenBrainは、スタンドアロンのセグメンテーションファイルのディレクトリではなく、監査可能なケースレコードリリースとして構成されている。 QC-7は、ラベル幾何学、画像ラベルの整合性、委員会の不一致に対する基準のない信頼性パネルである。
• 参考スコア（独自算出の注目度）: 11.591101573110953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic tools can now generate whole-brain MRI parcellations at cohort scale, but generated-label releases often provide little evidence about which cases are reliable enough to reuse. We introduce OpenBrain, a confidence-aware release of 35,838 provenance-verified OpenNeuro T1w cases from 607 source datasets. OpenBrain is organized as an auditable case-record release rather than a directory of standalone segmentation files: each record links a primary parcellation, two committee parcellations, source/license provenance, raw QC-7 measurements, percentile risks, a combined risk score R, and a confidence tier. QC-7 is a reference-free reliability panel over label geometry, image-label consistency, and committee disagreement, so users can filter, weight, audit, or re-threshold generated labels without rerunning inference. We evaluate this released evidence under a frozen protocol. Across external cohorts, lower QC-7 risk corresponds to higher generated-label quality; in fixed-budget training, lower-risk selections improve paired macro Dice over random selection by +3.2 to +3.7 percentage points. OpenBrain also exposes raw axes, committee outputs, provenance, and datasheet documentation, so confidence claims remain inspectable after download. It does not turn generated labels into manual annotations or clinical-grade segmentations. Its contribution is a large open generated-parcellation substrate, a reusable case-level risk-evidence layer, and an external validation protocol for release-time QC. Dataset: https://huggingface.co/datasets/lanqz7766/OpenBrain. Code: https://github.com/lanqz7766/openbrain.
• Abstract（参考訳）: 自動ツールは、コホートスケールで全脳MRIパーセレーションを生成することができるが、生成されたラベルリリースは、どのケースが再利用に十分な信頼性を持つかという証拠をほとんど示さないことが多い。 我々は、607ソースデータセットから35,838の証明済みのOpenNeuro T1wケースの信頼性を意識したリリースであるOpenBrainを紹介します。 OpenBrainは、独立したセグメンテーションファイルのディレクトリではなく、監査可能なケースレコードリリースとして構成されている。各レコードは、プライマリパーセレーション、2つの委員会パーセレーション、ソース/ライセンスの証明、生のQC-7測定、パーセンタイルリスク、複合リスクスコアR、信頼層をリンクする。 QC-7は、ラベルの幾何、画像ラベルの整合性、委員会の不一致に対する基準のない信頼性パネルであり、ユーザーは推論を再実行することなく、生成されたラベルをフィルタリング、重み付け、監査、再保持することができる。 我々は、凍結されたプロトコルの下で、この放出された証拠を評価する。 固定予算トレーニングでは、低いリスク選択はランダム選択よりも+3.2から+3.7の比率でペアマクロダイスを改善する。 OpenBrainは生のx、委員会出力、証明、データシートのドキュメンテーションも公開している。 生成されたラベルを手動のアノテーションや臨床グレードのセグメンテーションに変えることはない。 コントリビューションは、大きなオープンなパーセレーション基板、再利用可能なケースレベルのリスクエビデンス層、リリース時のQCのための外部検証プロトコルである。 データセット:https://huggingface.co/datasets/lanqz7766/OpenBrain コード:https://github.com/lanqz7766/openbrain

関連論文リスト

• What You Sign Is Not What You Run: The Verifiability Gap in Quantized LLM Supply Chains [0.6159133786557903]
  Independent Verifiability Rate (IVR)は、サードパーティがビット・フォー・ビットを導出できる人気サンプルGGUFエコシステムのごく一部である。 E は必要座標であり、一方のコンパイラ設定は、テスト対象のプラットフォームに対して、無視できる品質のコストで独自の出力を出力することを示す。
  論文  参考訳（メタデータ） (2026-10-14T03:16:29Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Beyond Final-Token Classification: Heterogeneous Readouts for Evidence-Grounded Suicide Risk Detection [10.766937373263204]
  出力実現から意味的検証を分離するヘテロジニアス・リードアウト分解(HRD)を導入する。 HRDは、通常リスクの4つの潜伏スコアを比較し、ほとんどの要因に対してトークンマージンを保持し、一方の共有潜伏プローブを通して7つのラベルをルーティングする。 これらの結果は, セマンティック表現のみではなく, 解答境界を測定可能な誤差源として同定する。
  論文  参考訳（メタデータ） (2026-09-19T05:01:17Z)
• Subgroup Membership Inference Audits of Differentially Private Synthetic Text [28.947903737268916]
  このようなリリースの最悪のプライバシー漏洩が、差分プライバシー(DP)によって拘束されているとしても、実際には残留するリスクが残っている。 本稿では,対象プールが明示的なパラメータであるサブグループ対象メンバシップ推論ゲームを定義し,32プロキシの監査でインスタンス化する。 監査は、合成リリースがサブグループのメンバシップをリークし、事前攻撃がこのリークを体系的に過小評価していることを示している。
  論文  参考訳（メタデータ） (2026-09-09T07:56:24Z)
• CloSeR: Unified Relational Distillation from Closed-Set Teachers for Category Discovery [16.721682363090043]
  CloSeRは、一般カテゴリー発見トレーニングにクローズドセットの知識を注入する。 6つのベンチマークでのDINOとDINOv2のバックボーンの実験は、GCDベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-08-26T12:10:54Z)
• Towards Persistent Case-Based Memory for Autonomous Data Science: A CBR-Augmented R&D-Agent with a Locally Deployable Small Language Model [0.0]
  我々は, Gemma 4 31B Dense のカスタムバックエンドに CBR レイヤを Microsoft の R&D-Agent フレームワークに統合した CBR 拡張 R&D-Agent を提案する。 ケースは構造化レコードとして格納され、実行可能なコードスナップショットと品質メタデータが格納される。 108回の検索イベントにおけるヒューリスティックな再利用検出は,意味的関連性が高いことを示す。
  論文  参考訳（メタデータ） (2026-06-03T12:56:11Z)
• Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions [52.50730821321986]
  大規模言語モデル(LLM)におけるバージョンレベルのリスクの大規模評価を初めて行った。 我々は1000のStack OverflowプログラミングタスクのベンチマークであるPinTrace上で10のLLMを評価した。 LLM バージョン選択は LLM ベース開発における第1級, 以前は見落とされたリスクサーフェスとして確認された。
  論文  参考訳（メタデータ） (2026-05-07T13:52:59Z)
• Anchored Decoding: Provably Reducing Copyright Risk for Any Language Model [99.16364381244445]
  現代の言語モデル(LM)は、トレーニングデータの一部を記憶し、動詞のスパンを出力する傾向がある。 提案するAnchored Decodingは,動詞の模倣を抑えるためのプラグアンドプレイ推論時間法である。 本手法は,著作権リスクとユーティリティの長期評価において,6組のモデルペアで評価する。
  論文  参考訳（メタデータ） (2026-02-06T19:00:14Z)
• CROC: Evaluating and Training T2I Metrics with Pseudo- and Human-Labeled Contrastive Robustness Checks [46.89839054706183]
  CROC(Contrastive Robustness Checks)を提案する。 我々は100万以上の対照的なプロンプトイメージ対の擬似ラベル付きデータセットを生成する。 また、このデータセットを使ってCROCScoreをトレーニングしています。
  論文  参考訳（メタデータ） (2025-05-16T14:39:44Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• SCRIB: Set-classifier with Class-specific Risk Bounds for Blackbox Models [48.374678491735665]
  クラス固有RIsk境界(SCRIB)を用いたSet-classifierを導入し,この問題に対処する。 SCRIBは、クラス固有の予測リスクを理論的保証で制御するセット分類器を構築する。 脳波(EEG)データによる睡眠ステージング,X線COVID画像分類,心電図(ECG)データに基づく心房細動検出など,いくつかの医学的応用についてSCRIBを検証した。
  論文  参考訳（メタデータ） (2021-03-05T21:06:12Z)

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。