日次キュレーション 2026-7-16

本論文は、機械学習モデルのOOD検出手法を提案する。従来手法が最終出力層のみに焦点を当てるのに対し、本手法は中間層の豊富な階層情報を活用する。スパース自動符号化器（SAE）を用いて中間活性化から解釈可能な特徴を学習し、訓練データ内（ID）と訓練外（OOD）のデータが異なる疎特徴セットを活性化することを発見。テストサンプルの疎特徴活性化とID同定クラスの平均活性化間のコサイン類似度から新しいOODスコアを導出。このポストホック検出手法は、標準的なOOD検出ベンチマークで最先端性能を達成しながら、分布シフトがニューラル表現に与える影響への解釈可能な洞察を得られる。

本論文はニューラルネットワークのOOD検出手法を提案する。スパース自動符号化器を用いてネットワーク中間層の活性化パターンから解釈可能な特徴を学習する。訓練データ内のサンプルと訓練外のサンプルが異なる特徴セットを活性化することを利用し、コサイン類似度に基づくOODスコアを設計。標準ベンチマークで最先端性能を達成しつつ、分布シフトの影響を解釈可能に示す。

ニューラルネットワークの訓練外データ検出にスパース自動符号化器を利用する手法を提案。中間層の活性化パターンから学習した特徴を使用し、コサイン類似度ベースのスコアで検出。最先端性能と解釈可能性を両立。

脳MRIから年齢・性別・人種といった人口統計属性が予測可能であることが臨床AI の偏見懸念につながっている。本研究は解離表現学習フレームワークを提案し、脳MRIを撮像影響を抑制した解剖学集中表現とそれを捉えるコントラスト埋め込みに分解する。3つのデータセットと複数のMRI配列にわたり、人口統計予測可能性は主に解剖学的変動に駆動され、コントラスト埋め込みはより弱く、データセット特異的で異なるサイト間で一般化しない。有効な偏見軽減には、人口統計シグナルの主に解剖学的かつ副次的に撮像依存的な起源を明示的に考慮する必要があると結論づける。

脳MRIから年齢・性別・人種が予測される問題を解決するため、解剖学と撮像特性を分離するフレームワークを提案。3データセットでの実験により、人口統計シグナルは主に解剖学的変動に由来し、撮像特性の寄与は限定的で異サイト間で一般化しないことが判明。

脳MRIから人口統計属性が予測される仕組みを調査。解剖学とコントラスト特性を分離した結果、人口統計シグナルは主に解剖学的な脳構造の差によるもので、撮像特性による影響は限定的であることが判明。