論文の概要: Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2603.05873v1
- Date: Fri, 06 Mar 2026 03:49:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:44.990412
- Title: Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation
- Title（参考訳）: 重み空間からメモリ空間への適応のシフト:医療画像セグメンテーションのためのメモリ拡張エージェント
- Authors: Bowen Chen, Qiaohui Gao, Shaowen Wan, Shanhui Sun, Wei Liu, Xiang Li, Tianming Liu, Lin Zhao,
- Abstract要約: 重み空間からメモリ空間への適応をシフトさせるメモリ拡張セグメンテーションエージェント(MemSeg-Agent)を提案する。
MemSeg-Agentは、軽量な静的、数ショット、テスト時のワーキングメモリを備えた固定バックボーンを条件とする。
4つのパブリックデータセットの実験は、強いパフォーマンスとドメインシフトに対する堅牢性を示している。
- 参考スコア（独自算出の注目度）: 18.026494321724943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is fundamental to clinical workflows, yet models trained on a single dataset often fail to generalize across institutions, scanners, or patient populations. While vision foundation models have shown great promise in addressing this challenge, their deployment typically requires task-specific fine-tuning, which introduces substantial communication overhead in federated learning and prevents continuous knowledge evolution during deployment. In this work, we propose a memory-augmented segmentation agent (MemSeg-Agent) that shifts adaptation from weight space to memory space, enabling few-shot learning, federated supervised learning, and test-time adaptation within a unified architecture. MemSeg-Agent conditions a fixed backbone with lightweight static, few-shot, and test-time working memories, which are dynamically composed by an agentic controller. In federated settings, we update compact memory units instead of model parameters, substantially reducing communication overhead. Experiments on four public datasets demonstrate strong performance and robustness to domain shift: Static memory alone matches or surpasses strong supervised baselines with high parameter efficiency, and test-time working memory further improves in-domain and cross-domain performance without fine-tuning. Overall, MemSeg-Agent introduces a new paradigm for scalable and adaptive medical image segmentation in the era of agentic AI.
- Abstract（参考訳）: 医療画像のセグメンテーションは、臨床ワークフローの基本であるが、単一のデータセットで訓練されたモデルは、機関、スキャナー、または患者集団にまたがる一般化に失敗することが多い。
ビジョンファウンデーションモデルは、この課題に対処する上で大きな可能性を示していますが、そのデプロイメントは通常、タスク固有の微調整を必要とします。
本研究では,メモリ拡張セグメンテーションエージェント(MemSeg-Agent)を提案する。これは重み空間からメモリ空間への適応をシフトさせ,少数ショット学習,フェデレーション付き教師付き学習,統一アーキテクチャ内のテスト時間適応を可能にする。
MemSeg-Agentは、エージェントコントローラによって動的に構成される軽量な静的、数ショット、テストタイムのワーキングメモリを備えた固定バックボーンを条件にしている。
フェデレーション設定では、モデルパラメータの代わりにコンパクトメモリユニットを更新し、通信オーバーヘッドを大幅に削減する。
4つのパブリックデータセットの実験は、ドメインシフトに対する強力なパフォーマンスとロバスト性を示している。 静的メモリ単独は、強力な教師付きベースラインと高いパラメータ効率で一致または超え、テストタイムのワーキングメモリは、微調整なしでドメイン内およびクロスドメインのパフォーマンスをさらに改善する。
全体として、MemSeg-AgentはエージェントAIの時代において、スケーラブルで適応的な医療画像セグメンテーションのための新しいパラダイムを導入している。
関連論文リスト
- UMEM: Unified Memory Extraction and Management Framework for Generalizable Memory [46.87954895079213]
自己進化型メモリは、大規模言語モデル(LLM)のトレーニング可能なパラメータとして機能する
既存の方法は、メモリ抽出を静的プロセスとして扱いながら、メモリ管理を優先的に最適化する。
本稿では,大言語モデルを協調的に最適化し,メモリの抽出と管理を同時に行うための統一メモリ抽出管理(UMEM)を提案する。
論文 参考訳（メタデータ） (2026-02-11T08:58:41Z) - Memory-Integrated Reconfigurable Adapters: A Unified Framework for Settings with Multiple Tasks [29.90641701972515]
生物は、捕食者を避けること、捕食、荒れ果てた地形を横切ること、社会化など、しばしばミリ秒以内の作業の間を常に方向転換する。
本稿では,共有バックボーン上にHopfieldスタイルの連想メモリモジュールを統合する統一フレームワークを提案する。
標準ベンチマークの実証評価により、AMアーキテクチャが適応性と保持性を著しく向上することを確認した。
論文 参考訳（メタデータ） (2025-11-30T15:45:55Z) - Enhancing Semantic Segmentation with Continual Self-Supervised Pre-training [11.897717409259492]
自己教師付き学習(SSL)は、基礎モデルをトレーニングするための中心的なパラダイムとして登場した。
GLAREは,下流セグメンテーション性能の向上を目的とした,新規な自己教師型事前学習タスクである。
論文 参考訳（メタデータ） (2025-09-22T14:11:02Z) - MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。
各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。
その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
論文 参考訳（メタデータ） (2025-06-18T19:44:46Z) - STAMP: Scalable Task And Model-agnostic Collaborative Perception [24.890993164334766]
STAMPは、異種エージェントのためのタスクおよびモデルに依存しない協調認識パイプラインである。
計算オーバーヘッドを最小限に抑え、スケーラビリティを高め、モデルのセキュリティを維持する。
第一種フレームワークとしてSTAMPは,スケーラブルでセキュアなモビリティシステムの研究を,レベル5の自律性に向けて進めることを目指している。
論文 参考訳（メタデータ） (2025-01-24T16:27:28Z) - Low-Rank Continual Pyramid Vision Transformer: Incrementally Segment Whole-Body Organs in CT with Light-Weighted Adaptation [10.746776960260297]
軽量低ランク適応 (LoRA) を用いた新しい連続体器官分割モデルを提案する。
まず、最初のタスクでピラミッドビジョントランスフォーマー(PVT)ベースセグメンテーションモデルをトレーニングし、その後、新しい学習タスク毎に凍結モデルに軽量でトレーニング可能なLoRAパラメータを継続的に追加する。
提案モデルでは, 破滅的忘れを伴わず, 低パラメータ増加率を維持しながら, 新しい臓器を連続的に分割する。
論文 参考訳（メタデータ） (2024-10-07T02:00:13Z) - Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。
DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-19T07:28:33Z) - SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。
初期経路では、中間出力は反冗長動作によって統合される。
遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
論文 参考訳（メタデータ） (2024-07-10T10:22:35Z) - Memory-Guided Semantic Learning Network for Temporal Sentence Grounding [55.31041933103645]
本稿では,TSGタスクにおいて稀に出現しないコンテンツを学習し,記憶するメモリ拡張ネットワークを提案する。
MGSL-Netは、クロスモーダル・インターアクション・モジュール、メモリ拡張モジュール、異種アテンション・モジュールの3つの主要な部分で構成されている。
論文 参考訳（メタデータ） (2022-01-03T02:32:06Z) - Hierarchical Variational Memory for Few-shot Learning Across Domains [120.87679627651153]
本稿では,プロトタイプの各レベルが階層メモリから対応する情報を取得する階層型プロトタイプモデルを提案する。
このモデルには、ドメインシフトの状況が要求される場合、異なるセマンティックレベルの機能を柔軟に依存する能力が備わっている。
モデルにおける各コンポーネントの有効性を示すために、徹底的なアブレーション研究を行っている。
論文 参考訳（メタデータ） (2021-12-15T15:01:29Z)
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。