[論文レビュー] Criteria-first, semantics-later: reproducible structure discovery in image-based sciences

Bumberger, Jan|arXiv (Cornell University)|Feb 17, 2026

Cell Image Analysis Techniques被引用数 0

ひとこと要約

論文は、明示的な基準を先に、意味論を後にするフレームワークを提案し、測定から意味論なしの構造産物を抽出することで、下流の複数の意味論マッピングと画像ベースの科学における再現性を向上させる。

ABSTRACT

Across the natural and life sciences, images have become a primary measurement modality, yet the dominant analytic paradigm remains semantics-first. Structure is recovered by predicting or enforcing domain-specific labels. This paradigm fails systematically under the conditions that make image-based science most valuable, including open-ended scientific discovery, cross-sensor and cross-site comparability, and long-term monitoring in which domain ontologies and associated label sets drift culturally, institutionally, and ecologically. A deductive inversion is proposed in the form of criteria-first and semantics-later. A unified framework for criteria-first structure discovery is introduced. It separates criterion-defined, semantics-free structure extraction from downstream semantic mapping into domain ontologies or vocabularies and provides a domain-general scaffold for reproducible analysis across image-based sciences. Reproducible science requires that the first analytic layer perform criterion-driven, semantics-free structure discovery, yielding stable partitions, structural fields, or hierarchies defined by explicit optimality criteria rather than local domain ontologies. Semantics is not discarded; it is relocated downstream as an explicit mapping from the discovered structural product to a domain ontology or vocabulary, enabling plural interpretations and explicit crosswalks without rewriting upstream extraction. Grounded in cybernetics, observation-as-distinction, and information theory's separation of information from meaning, the argument is supported by cross-domain evidence showing that criteria-first components recur whenever labels do not scale. Finally, consequences are outlined for validation beyond class accuracy and for treating structural products as FAIR, AI-ready digital objects for long-term monitoring and digital twins.

研究の動機と目的

• オープンエンドの発見、サイト間比較可能性の低下、長期監視における意味論優先パイプラインの限界を特定する。
• ドメイン一般的な基準優先フレームワークを提案し、安定した意味論なしの構造産物を生み出す。
• 下流の意味論が upstream の抽出を書き換えることなく、同じ構造を複数のオントロジーにマッピングできることを示す。
• 構造産物を FAIR で AI- ready なデジタルオブジェクトとして扱い、デジタ twins および長期監視に適したものとするべきである、という主張。

提案手法

• 最小限のフレームワークを formalize する：測定場 X、明示的基準 C、構造抽出演算子 S_C が構造産物 S を生み出す。
• S_C を、適合構造 S 上の基準由来の目的関数 E_C(X,S) を最大化する最適化問題の解と定義する。
• モダリティと基準に応じて、複数の構造タイプ（分割、グラフ、階層、構造場）を許容する。
• 下流の意味マッピング M_i: S -> O_i を導入し、構造産物をドメインオントロジーにマッピングして複数解釈を可能にする。
• 再現性の公理を提供する：明示的な基準、決定性、摂動に対する安定性、マッピングの多元性。
• ラベルがスケールしない場合に基準優先成分が再現的に繰り返現れることを示す跨領域証拠でアプローチを例示する。

実験結果

リサーチクエスチョン

• RQ1 長期監視とオープンエンドの発見における意味論優先パイプラインの限界は何か。
• RQ2 ドメインを越えて再現可能で転用可能な、基準定義型の意味論なし構造層をどう設計するべきか。
• RQ3 upstream の書き換えなしに同じ構造産物を複数のドメインオントロジーにマッピングするよう、下流の意味論をどう組織すべきか。
• RQ4 画像ベースの科学全体における基準優先パターンの普遍性を裏付けるどのような証拠があるか。

主な発見

• 意味論優先アプローチは、ドメインシフト、センサー間のばらつき、進化するオントロジーに対して脆弱である。
• 基準優先層は、ドメインラベルに依存せず、安定で転用可能な構造産物を生み出す。
• 下流の意味論は複数解釈になり得て、 upstream の抽出を変更せずに同じ構造を異なるオントロジーにマッピングできる。
• 構造産物はデジタ twins や長期監視のための耐久性があり、FAIR で AI- ready なデジタルオブジェクトとして機能する。
• 評価は固定された意味論的正確さよりも、頑健性、スケール整合性、およびグローバル一貫性に焦点を当てるべきである。
• 自己教師あり学習とファウンデーションモデルのアプローチは、基準優先の構造抽出を実装しつつ、明示的基準を検証可能かつ監査可能な状態に保つ。