構造MRIから脳領域の関係を学ぶGCN-KAN：分類結果と重要領域の検証課題
- 構造MRIから90領域の脳グラフを作り、GCNとKANを組み合わせて分類する。
- ADNIの134人を用いた5分割交差検証で、平均正解率はGCNの57.4％に対し62.6％と報告された。
- 対象者の3群とモデルの二値出力の対応、相関と領域重要度の算出手順は確認が必要である。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
依頼の言い換えと類似機能の追加で、AIの関数呼出しはどう変わるか
- BFCLを基にした200件で、依頼の言い換えと関連関数の追加が関数呼出しに与える影響を評価した。
- 言い換え時の得点低下には、同じ場所の別表記を正解と認めない採点上の問題が含まれた。
- 関連関数を加えた条件では、誤った関数の選択や引数の割当て違いなどが観察された。
口の動きと発話の前後を使い、抽出が不安定な区間を重点学習する話者抽出
- MARは混合音声の一部を隠し、前後の音声と対象者の口の動きを使って復元するよう既存モデルを追加学習する。
- FCSは抽出が不安定な区間を推定し、その区間を重点的に学習するために使われる。
- 著者らはVoxCeleb2を用いた六モデルで改善を報告するが、確認できた本文の範囲に指標別の数値はなく、FCSのラベルと区間選択にスコアの向きの疑問が残る。
軌道生成の学習に衝突・到達条件を組み込む拡散モデル
- ノイズ予測の学習に、復元途中の軌道で計算した衝突・到達などの制約違反を加える。
- 正解軌道にノイズを加えた際の平均違反量を使い、拡散段階ごとの罰則を調整する。
- 著者らは卓上操作と２台の車の課題で違反の減少を報告するが、確認できた本文には評価表の具体値がない。
大きさの異なる臓器を同時に分けるための共同学習
- 大きな臓器に学習が偏る問題に対し、全体用の分割部と対象ごとの専門部を共同で学習させる。
- 専門部間の予測関係を使い、正解なし画像に付ける仮ラベルの誤りを探す。
- 著者らが示したACDCの条件では、正解付き画像3件でDice係数が87.27％から88.83％になった。
無関係な一文で医療LLMの正答率はどう変わるか
- MedQAの設問に診断と無関係な一文を加え、医療LLMの回答への影響を測る評価データを作った。
- 著者らの評価では、追加文による正答率低下は最大17.9ポイントだった。
- 医療分野の追加学習やRAGだけでは、余計な情報への耐性が安定して改善しなかった。
説得力のある誤答をAIはどれほど確信して選ぶか：CW-PORによる測定
- CW-PORは、説得的な誤答を選ぶ頻度を判定役の確信度で重み付けする指標。
- 著者らは五つのLLMで説明の長さを30～300語に変え、90～120語付近で低い値を示す傾向を報告した。
- 実務では誤答率だけでなく、強く確信した誤判定と原文照合後の訂正率を見るとよい。
開発者向けの冗談は生成設定でどう変わるか――13の言語モデルを評価
- 著者らは13の言語モデルを５系統に分け、温度と指示文を変えた計715設定で、開発者向けの冗談を評価した。
- モデルの73％は温度0.5以下で最高成績となったが、適した温度の範囲はモデル系統によって異なると報告した。
- モデル系統は成績のばらつきの38.7％を説明したと報告されている。基準システムとの差21.8％については、指標や条件を本文の確認できた範囲から特定できない。
車線の接続をどう地図に表すか：三つの手法と評価指標を整理した調査
- 2024年までの代表的研究を、手続き的生成、航空画像、車載センサーの三系統に整理した調査。
- 典型的な車載方式は画像を俯瞰表現に変え、車線中心線を求めてから接続関係を推定する。
- Topo-boundaryとOpenLane-V2の比較表を示し、専用データの作成費用と車載方式の計算負荷を課題に挙げる。
医療機械学習の利用は患者に必ず告げるべきか――開示義務を支える四つの論拠を検討
- 著者は、医療機械学習の利用を患者に開示する倫理的義務を定める「開示命題」を検討する。
- リスク、権利、重要性、自律性に基づく四つの論拠を説得的でないとして、開示命題を退ける。
- 開示の義務化が責任回避を通じて患者を害するおそれを示唆するが、確認できた本文の範囲では実証結果は示されていない。
文章で被写体を指定し、背景と別の強さで修復する画像復元法
- 文章で対象領域を指定し、対象と周囲で修復の強さを別々に設定する。
- 高品質画像、領域の説明文、マスクから成る53万6,945組を学習用に構築した。
- 100枚の実写評価では、対象領域の係数変更に伴い、同領域のPSNRとSSIMが変化した。
30万枚の病理スライドで学ぶPathOrchestra、112課題での評価範囲と導入上の論点
- PathOrchestraは、診断名のない30万枚のH&E病理スライドから画像特徴を事前学習し、課題別の判定器に利用する。
- 著者らは112課題を評価し、TCGAの32種類のがん分類ではAUC 0.964、ACC 0.666、重み付けF1 0.667を報告した。
- 施設への導入を考える際は、染色や標本条件ごとの誤判定と、レポート各項目の正しさ・確認時間を施設データで測る必要がある。