論文の概要: Task-Agnostic Continual Learning for Chest Radiograph Classification

• arxiv url: http://arxiv.org/abs/2602.15811v1
• Date: Tue, 17 Feb 2026 18:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.166495
• Title: Task-Agnostic Continual Learning for Chest Radiograph Classification
• Title（参考訳）: 胸部X線写真分類のためのタスク非依存連続学習
• Authors: Muthu Subash Kavitha, Anas Zafar, Amgad Muneer, Jia Wu,
• Abstract要約: 胸部X線写真分類のためのタスク・インクリメンタル学習環境を初めて検討した。 固定された高容量バックボーンを維持するチェストX線(CARL-XRay)の連続的なアダプタベースのルーティング学習戦略を提案する。 大規模公共胸部X線写真データセットの実験は、堅牢な性能保持と信頼性の高いタスク認識推論を示す。
• 参考スコア（独自算出の注目度）: 8.562028149422883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical deployment of chest radiograph classifiers requires models that can be updated as new datasets become available without retraining on previously ob- served data or degrading validated performance. We study, for the first time, a task-incremental continual learning setting for chest radiograph classification, in which heterogeneous chest X-ray datasets arrive sequentially and task identifiers are unavailable at inference. We propose a continual adapter-based routing learning strategy for Chest X-rays (CARL-XRay) that maintains a fixed high-capacity backbone and incrementally allocates lightweight task-specific adapters and classifier heads. A latent task selector operates on task-adapted features and leverages both current and historical context preserved through compact prototypes and feature-level experience replay. This design supports stable task identification and adaptation across sequential updates while avoiding raw-image storage. Experiments on large-scale public chest radiograph datasets demonstrate robust performance retention and reliable task-aware inference under continual dataset ingestion. CARL-XRay outperforms joint training under task-unknown deployment, achieving higher routing accuracy (75.0\% vs.\ 62.5\%), while maintaining competitive diagnostic performance with AUROC of 0.74 in the oracle setting with ground-truth task identity and 0.75 under task-unknown inference, using significantly fewer trainable parameters. Finally, the proposed framework provides a practical alternative to joint training and repeated full retraining in continual clinical deployment.
• Abstract（参考訳）: 胸部X線写真分類器の臨床的展開には、以前提供されていたデータを再トレーニングしたり、検証されたパフォーマンスを劣化させることなく、新しいデータセットが利用可能になったときに更新できるモデルが必要である。 胸部X線データセットが連続的に到着し,タスク識別子が推論時に利用できない,胸部X線分類のためのタスクインクリメンタル学習環境を初めて検討した。 固定された高容量バックボーンを維持し,軽量なタスク固有アダプタと分類器ヘッドを段階的に割り当てる,チェストX線(CARL-XRay)の連続的なアダプタベースのルーティング学習戦略を提案する。 潜在タスクセレクタはタスク適応機能で動作し、コンパクトなプロトタイプと機能レベルのエクスペリエンスリプレイを通じて保存されている現在のコンテキストと過去のコンテキストの両方を活用する。 この設計は、生画像ストレージを回避しつつ、シーケンシャルな更新にまたがる安定したタスク識別と適応をサポートする。 大規模公共胸部X線写真データセットの実験は、連続的データセットの取り込み下で、堅牢なパフォーマンス保持と信頼性の高いタスク認識推論を示す。 CARL-XRayは、タスク不明のデプロイメントにおいて共同トレーニングより優れ、より高いルーティング精度(75.0\% vs.)を達成する。 62.5 {\displaystyle 62.5\%) では,AUROC では0.74 であり,タスク未知の推論では0.75 であり,トレーニング可能なパラメータは著しく少ない。 最後に, 提案フレームワークは, 連続的な臨床展開において, 共同トレーニングの実践的な代替手段となり, 完全再トレーニングを繰り返している。

関連論文リスト

• Task-Adaptive Low-Dose CT Reconstruction [0.0]
  深層学習に基づくCT再構成手法は,画像品質の基準値に対して,すでに高い性能を達成している。 しかし、診断タスクに必要な重要な解剖学的詳細を保存できないこともしばしばあります。 本稿では,凍結した事前学習タスクネットワークを復元損失関数の正規化用語として組み込んだ新しいタスク適応型再構築フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-10T13:30:59Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)

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。