論文の概要: Learning to Trim: End-to-End Causal Graph Pruning with Dynamic Anatomical Feature Banks for Medical VQA

• arxiv url: http://arxiv.org/abs/2603.26028v1
• Date: Fri, 27 Mar 2026 02:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.333989
• Title: Learning to Trim: End-to-End Causal Graph Pruning with Dynamic Anatomical Feature Banks for Medical VQA
• Title（参考訳）: 医学VQAのための動的解剖学的特徴バンクを用いたエンドツーエンド因果グラフ解析
• Authors: Zibo Xu, Qiang Li, Weizhi Nie, Yuting Su,
• Abstract要約: 本稿では,因果プルーニングとエンドツーエンド最適化を統合したLearningable Causal Trimming (LCT) フレームワークを提案する。 運動機構によって更新された動的解剖特徴銀行(DAFB)を導入し,頻繁な解剖学的および言語学的パターンのグローバルプロトタイプをキャプチャする。 VQA-RAD、SLAKE、SLAKE-CP、PathVQAの実験は、LCTが既存のデバイアス対策よりも頑健さと一般化を一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 27.877350391080693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical Visual Question Answering (MedVQA) models often exhibit limited generalization due to reliance on dataset-specific correlations, such as recurring anatomical patterns or question-type regularities, rather than genuine diagnostic evidence. Existing causal approaches are typically implemented as static adjustments or post-hoc corrections. To address this issue, we propose a Learnable Causal Trimming (LCT) framework that integrates causal pruning into end-to-end optimization. We introduce a Dynamic Anatomical Feature Bank (DAFB), updated via a momentum mechanism, to capture global prototypes of frequent anatomical and linguistic patterns, serving as an approximation of dataset-level regularities. We further design a differentiable trimming module that estimates the dependency between instance-level representations and the global feature bank. Features highly correlated with global prototypes are softly suppressed, while instance-specific evidence is emphasized. This learnable mechanism encourages the model to prioritize causal signals over spurious correlations adaptively. Experiments on VQA-RAD, SLAKE, SLAKE-CP and PathVQA demonstrate that LCT consistently improves robustness and generalization over existing debiasing strategies.
• Abstract（参考訳）: 医学的視覚質問回答(MedVQA)モデルは、真の診断的証拠ではなく、解剖学的パターンや質問型正規性といったデータセット固有の相関性に依存するため、限定的な一般化を示すことが多い。 既存の因果的アプローチは、通常静的な調整やポストホックな修正として実装される。 この問題に対処するために,因果プルーニングをエンドツーエンドの最適化に統合するLearningable Causal Trimming (LCT) フレームワークを提案する。 モーメント機構によって更新された動的解剖特徴銀行(DAFB)を導入し、頻繁な解剖学的および言語学的パターンのグローバルプロトタイプをキャプチャし、データセットレベルの正規性の近似として機能する。 さらに、インスタンスレベルの表現とグローバル機能バンク間の依存性を推定する、微分可能なトリミングモジュールを設計する。 グローバルプロトタイプと高い相関性を持つ特徴はソフトに抑制され、インスタンス固有のエビデンスが強調される。 この学習可能なメカニズムは、スプリアス相関よりも因果シグナルを適応的に優先順位付けするようモデルに促す。 VQA-RAD、SLAKE、SLAKE-CP、PathVQAの実験は、LCTが既存のデバイアス対策よりも頑健さと一般化を一貫して改善することを示した。

関連論文リスト

• MedCausalX: Adaptive Causal Reasoning with Self-Reflection for Trustworthy Medical Vision-Language Models [10.466505116993451]
  既存の医療連鎖モデルには因果推論を表現・強制するための明確なメカニズムが欠如している。 MedCausalXは医療用VLMの因果推論チェーンを明示的にモデル化したエンドツーエンドフレームワークである。 我々は,MedCausalXが常に最先端の手法より優れ,診断の整合性は+5.4ポイント向上し,幻覚は10ポイント以上減少し,最上位の空間接地IoUに達することを示す。
  論文  参考訳（メタデータ） (2026-03-24T11:28:15Z)
• Scalable Contrastive Causal Discovery under Unknown Soft Interventions [3.165716101116899]
  本稿では,2つの観測と干渉のペア化のためのスケーラブルな因果探索モデルを提案し,その基礎構造と未知のソフト介入について述べる。 合成データの実験では、因果構造回復の改善、保持された因果機構を持つ未知のグラフへの一般化、より大きなグラフへのスケーラビリティが示されている。
  論文  参考訳（メタデータ） (2026-03-03T18:16:16Z)
• A Generalized Adaptive Joint Learning Framework for High-Dimensional Time-Varying Models [0.8594140167290097]
  本稿では,機能的変数選択と構造的変化点検出を同時に行うための正規化フレームワークであるAdaptive Joint Learning (AJL)を紹介する。 この分析は、疾患進行の同期相転移を明らかにし、時間変化の予測マーカーの相同的なセットを同定する。
  論文  参考訳（メタデータ） (2026-01-08T02:07:49Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Empowering Vision Transformers with Multi-Scale Causal Intervention for Long-Tailed Image Classification [12.122203089278738]
  因果推論は、クラス不均衡によって引き起こされるバイアスを扱うことによって、長い尾の分類を緩和する有望なアプローチとして現れてきた。 本稿では,既存の因果モデルがCNNおよびViT変種に与える影響について検討する。 微粒な因果関係を発見するための2段階因果関係モデリング手法であるTSCNetを提案する。
  論文  参考訳（メタデータ） (2025-05-13T02:23:55Z)
• A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。 トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。