論文の概要: Model Agnostic Preference Optimization for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.15009v1
• Date: Wed, 17 Dec 2025 01:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.826698
• Title: Model Agnostic Preference Optimization for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのためのモデル非依存的選好最適化
• Authors: Yunseong Nam, Jiwon Jang, Dongkyu Won, Sang Hyun Park, Soopil Kim,
• Abstract要約: 優先度最適化は、相対的な優先順位信号に基づくスケーラブルな監視パラダイムを提供する。 我々は,Dropout-driven segmentation仮説を用いたトレーニングフレームワークMAPO(Model-A Preference Optimization)を提案する。 MAPOは完全に次元に依存しない2D/3D CNNとTransformerベースのセグメンテーションパイプラインをサポートする。
• 参考スコア（独自算出の注目度）: 5.289507655906182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preference optimization offers a scalable supervision paradigm based on relative preference signals, yet prior attempts in medical image segmentation remain model-specific and rely on low-diversity prediction sampling. In this paper, we propose MAPO (Model-Agnostic Preference Optimization), a training framework that utilizes Dropout-driven stochastic segmentation hypotheses to construct preference-consistent gradients without direct ground-truth supervision. MAPO is fully architecture- and dimensionality-agnostic, supporting 2D/3D CNN and Transformer-based segmentation pipelines. Comprehensive evaluations across diverse medical datasets reveal that MAPO consistently enhances boundary adherence, reduces overfitting, and yields more stable optimization dynamics compared to conventional supervised training.
• Abstract（参考訳）: 優先度最適化は、相対的な選好信号に基づくスケーラブルな監視パラダイムを提供するが、医用画像セグメンテーションの以前の試みはモデル固有のままであり、低ダイバーシティ予測サンプリングに依存している。 本稿では,Dropout-driven stochastic segmentation仮説を用いた学習フレームワークであるMAPO(Model-Agnostic Preference Optimization)を提案する。 MAPOは完全にアーキテクチャと次元に依存しない2D/3D CNNとTransformerベースのセグメンテーションパイプラインをサポートする。 多様な医学データセットの総合的な評価により、MAPOは境界の順守を一貫して強化し、オーバーフィッティングを減らし、従来の教師付きトレーニングと比較してより安定した最適化のダイナミクスをもたらすことが明らかとなった。

関連論文リスト

• Amortized Active Generation of Pareto Sets [48.56811624922571]
  A-GPSは、オンラインの離散ブラックボックスマルチオブジェクト最適化のための新しいフレームワークである。 メソッドは、非支配関係を予測するためにクラス確率推定器を使用する。 この非支配的CPEは,超ボリューム改善の確率を暗黙的に見積もっている。
  論文  参考訳（メタデータ） (2025-10-23T23:49:23Z)
• Stable Preference Optimization for LLMs: A Bilevel Approach Beyond Direct Preference Optimization [2.384797824772941]
  確率進化の観点からDPOのダイナミクスを包括的に分析する。 本稿では,教師付き微調整とDPO目標,すなわち安定な選好最適化とを密に統合する理論的基礎を持つ二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:57:39Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Refining Alignment Framework for Diffusion Models with Intermediate-Step Preference Ranking [50.325021634589596]
  拡散モデルと人間の嗜好を整合させるためのTalored Optimization Preference(TailorPO)フレームワークを提案する。 提案手法は,ステップワイド報酬に基づいて,中間雑音のサンプルを直接ランク付けし,勾配方向の問題を効果的に解決する。 実験結果から,本手法は審美的,人為的な画像生成能力を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2025-02-01T16:08:43Z)

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。