論文の概要: Stable-Drift: A Patient-Aware Latent Drift Replay Method for Stabilizing Representations in Continual Learning

• arxiv url: http://arxiv.org/abs/2511.22615v1
• Date: Thu, 27 Nov 2025 16:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.653793
• Title: Stable-Drift: A Patient-Aware Latent Drift Replay Method for Stabilizing Representations in Continual Learning
• Title（参考訳）: 安定ドリフト:連続学習における表現の安定化のための患者対応潜在ドリフト再生法
• Authors: Paraskevi-Antonia Theofilou, Anuhya Thota, Stefanos Kollias, Mamatha Thota,
• Abstract要約: ディープラーニングモデルが新しいデータで逐次トレーニングされる場合、前もって学習したタスクのパフォーマンスが突然低下する傾向があります。 本稿では,高表現不安定なサンプルを識別・再生する潜在ドリフト誘導リプレイ法を提案する。 本手法は, 直感的な微調整やランダムなリプレイに比べて, 忘れを著しく低減する。
• 参考スコア（独自算出の注目度）: 3.1965482926781843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When deep learning models are sequentially trained on new data, they tend to abruptly lose performance on previously learned tasks, a critical failure known as catastrophic forgetting. This challenge severely limits the deployment of AI in medical imaging, where models must continually adapt to data from new hospitals without compromising established diagnostic knowledge. To address this, we introduce a latent drift-guided replay method that identifies and replays samples with high representational instability. Specifically, our method quantifies this instability via latent drift, the change in a sample internal feature representation after naive domain adaptation. To ensure diversity and clinical relevance, we aggregate drift at the patient level, our memory buffer stores the per patient slices exhibiting the greatest multi-layer representation shift. Evaluated on a cross-hospital COVID-19 CT classification task using state-of-the-art CNN and Vision Transformer backbones, our method substantially reduces forgetting compared to naive fine-tuning and random replay. This work highlights latent drift as a practical and interpretable replay signal for advancing robust continual learning in real world medical settings.
• Abstract（参考訳）: ディープラーニングモデルが新しいデータに基づいて逐次トレーニングされる場合、前回学習したタスクのパフォーマンスが突然低下する傾向にある。 この課題は、モデルが確立した診断知識を損なうことなく、新しい病院のデータに継続的に適応しなければならない、医療画像へのAIの展開を厳しく制限する。 そこで本研究では,高表現不安定なサンプルを識別・再生する遅延ドリフト誘導再生手法を提案する。 具体的には,本手法は,潜時ドリフトによる不安定性の定量化と,ネーブ領域適応後の内部特徴表現の変化について述べる。 多様性と臨床関連性を確保するため,患者レベルでドリフトを集計し,最大多層表示シフトを示す患者ごとの記憶バッファーを蓄積した。 最先端のCNNとVision Transformerのバックボーンを用いたクロスホスピタル型COVID-19 CT分類タスクにおいて,本手法は,素早い微調整やランダムリプレイに比べて,忘れを著しく低減する。 この研究は、現実の医療環境における堅牢な継続的学習を促進するための実践的で解釈可能なリプレイ信号として、潜伏するドリフトを強調している。

関連論文リスト

• Personalization on a Budget: Minimally-Labeled Continual Learning for Resource-Efficient Seizure Detection [3.587595102085769]
  本稿では,ディープラーニングを用いたてんかん発作の自動検出について検討する。 Epiは、患者固有の脳波信号に漸進的に適応するための継続的な学習フレームワークである。 平均して、Epiはラベル付きデータの6.46分と1日6.28の更新しか必要とせず、ウェアラブルシステムにおけるリアルタイムデプロイメントに適している。
  論文  参考訳（メタデータ） (2025-09-17T13:47:45Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Distribution-Aware Replay for Continual MRI Segmentation [6.3591338382188916]
  本稿では,機能の自動エンコーディングによる忘れを緩和する分散対応リプレイ戦略を提案する。 海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
  論文  参考訳（メタデータ） (2024-07-30T21:59:02Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
  継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。 既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。 我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:25:03Z)
• Continual learning of longitudinal health records [0.0]
  縦ICUデータに対する連続学習手法の評価を行った。 短期的忘れを緩和する手法はいくつかあるが、ドメインシフトは大規模なタスクに対して難しい問題である。
  論文  参考訳（メタデータ） (2021-12-22T15:08:45Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)

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。