Newest papers

Revealing Hidden Failure Modes in Chest X-ray Classification via Spectral Domain Analysis

Samuel Halimi, Loic Themyr, Arnaud Abreu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29830 · open-access PDF

Russian

Модели глубокого обучения для обнаружения аномалий рентгеновских лучей грудной клетки остаются уязвимыми для тонких сдвигов распределения (например, техника приобретения, факторы, связанные с пациентом, и предварительная обработка). Традиционный анализ ошибок часто опирается на семантические метаданные или встраивания моделей, которые могут маскировать вариации сигналов низкого уровня, которые ухудшают производительность.В этой работе мы предлагаем структуру, ориентированную на данные, для автоматического обнаружения режима сбоев с использованием спектрального анализа.

Machine translation (Meta M2M100); the English original follows.

Abstract

Deep learning models for chest X-ray anomaly detection remain vulnerable to subtle distributional shifts (e.g., acquisition technique, patient-related factors, and preprocessing). Traditional error analysis often relies on semantic metadata or model embeddings, which can mask low-level signal variations that degrade performance. In this work, we propose a data-centric framework for automated failure mode discovery using spectral analysis. We project images into the frequency domain and extract a compact profile summarizing the distribution of signal energy across frequency bands. By performing

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange