論文の概要: Probing Intrinsic Medical Task Relationships: A Contrastive Learning Perspective
- arxiv url: http://arxiv.org/abs/2604.05651v1
- Date: Tue, 07 Apr 2026 09:54:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.75284
- Title: Probing Intrinsic Medical Task Relationships: A Contrastive Learning Perspective
- Title（参考訳）: 内在的医療課題の関連性を探る:対照的な学習の視点
- Authors: Jonas Muth, Zdravko Marinov, Simon Reiß,
- Abstract要約: 医用視覚タスクが表現レベルでどのように関連し、重複し、あるいは異なるかを検討する。
我々の目標は、データ駆動型表現空間がタスクの基盤構造を捉えることができるかどうかを調査することである。
タスクを共有表現空間に埋め込むために設計された対照的な学習フレームワークであるタスクコントラスト学習(TaCo)を紹介する。
- 参考スコア（独自算出の注目度）: 7.992671861007712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While much of the medical computer vision community has focused on advancing performance for specific tasks, the underlying relationships between tasks, i.e., how they relate, overlap, or differ on a representational level, remain largely unexplored. Our work explores these intrinsic relationships between medical vision tasks, specifically, we investigate 30 tasks, such as semantic tasks (e.g., segmentation and detection), image generative tasks (e.g., denoising, inpainting, or colorization), and image transformation tasks (e.g., geometric transformations). Our goal is to probe whether a data-driven representation space can capture an underlying structure of tasks across a variety of 39 datasets from wildly different medical imaging modalities, including computed tomography, magnetic resonance, electron microscopy, X-ray ultrasound and more. By revealing how tasks relate to one another, we aim to provide insights into their fundamental properties and interconnectedness. To this end, we introduce Task-Contrastive Learning (TaCo), a contrastive learning framework designed to embed tasks into a shared representation space. Through TaCo, we map these heterogeneous tasks from different modalities into a joint space and analyze their properties: identifying which tasks are distinctly represented, which blend together, and how iterative alterations to tasks are reflected in the embedding space. Our work provides a foundation for understanding the intrinsic structure of medical vision tasks, offering a deeper understanding of task similarities and their interconnected properties in embedding spaces.
- Abstract（参考訳）: 医療コンピュータビジョンのコミュニティの多くは、特定のタスクのパフォーマンス向上に注力してきたが、タスク間の基盤となる関係、すなわちそれらがどのように関連し、重複し、あるいは表現レベルで異なるかは、まだ明らかにされていない。
本研究は、医用視覚タスク間の本質的な関係、具体的には、意味的タスク(例えば、セグメンテーションと検出)、画像生成タスク(例えば、認知、着色、着色)、画像変換タスク(例えば、幾何学的変換)など30のタスクについて検討する。
我々のゴールは、コンピュータ断層撮影、磁気共鳴、電子顕微鏡、X線超音波など、様々な種類の39のデータセットから、データ駆動型表現空間がタスクの基盤構造を捉えることができるかどうかを調査することである。
タスクが相互にどのように関連しているかを明らかにすることで、基本的な性質と相互接続性に関する洞察を提供することを目指している。
この目的のために,タスクを共有表現空間に埋め込むために設計された,対照的な学習フレームワークであるTask-Contrastive Learning (TaCo)を紹介した。
TaCoを通して、これらの異種タスクを異なるモジュラリティから結合空間にマッピングし、それらの特性を解析する。
我々の研究は、医療視覚タスクの本質的な構造を理解する基盤を提供し、タスクの類似性とそれらの相互接続性についてより深く理解する。
関連論文リスト
- Is Visual in-Context Learning for Compositional Medical Tasks within Reach? [68.56630652862293]
本稿では、1つのモデルで複数のタスクを処理できるビジュアル・イン・コンテキスト・ラーニングの可能性について検討する。
本稿では,合成合成タスク生成エンジンを用いたコンテキスト内学習者の学習方法を提案する。
論文 参考訳（メタデータ） (2025-07-01T15:32:23Z) - Reverse Probing: Evaluating Knowledge Transfer via Finetuned Task Embeddings for Coreference Resolution [23.375053899418504]
複雑なソースタスクから凍結表現を探索する代わりに、複数の単純なソースタスクから1つのターゲットタスクへの埋め込みの有効性について検討する。
この結果,タスクの埋め込みは,意味的類似性タスクが最も有益であることが示され,コア参照の解決に大いに有用であることが判明した。
論文 参考訳（メタデータ） (2025-01-31T17:12:53Z) - YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。
Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
論文 参考訳（メタデータ） (2024-03-01T03:20:42Z) - Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T14:18:11Z) - InstructDiffusion: A Generalist Modeling Interface for Vision Tasks [52.981128371910266]
InstructDiffusionはコンピュータビジョンタスクを人間の指示に合わせるためのフレームワークである。
InstructDiffusionは、タスクの理解や生成タスクなど、さまざまなビジョンタスクを処理できる。
目に見えないタスクを処理し、新しいデータセットで前のメソッドより優れていることも示しています。
論文 参考訳（メタデータ） (2023-09-07T17:56:57Z) - A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。
これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。
提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
論文 参考訳（メタデータ） (2023-06-08T09:24:46Z) - Pre-training Multi-task Contrastive Learning Models for Scientific
Literature Understanding [52.723297744257536]
事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。
文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
論文 参考訳（メタデータ） (2023-05-23T16:47:22Z) - UniNet: A Unified Scene Understanding Network and Exploring Multi-Task
Relationships through the Lens of Adversarial Attacks [1.1470070927586016]
単一のタスクビジョンネットワークは、シーンのいくつかの側面に基づいてのみ情報を抽出する。
マルチタスク学習(MTL)では、単一のタスクが共同で学習され、タスクが情報を共有する機会を提供する。
我々は,重要な視覚タスクを正確かつ効率的に推測する統合されたシーン理解ネットワークUniNetを開発した。
論文 参考訳（メタデータ） (2021-08-10T11:00:56Z) - Distribution Matching for Heterogeneous Multi-Task Learning: a
Large-scale Face Study [75.42182503265056]
マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。
我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。
大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
論文 参考訳（メタデータ） (2021-05-08T22:26:52Z) - Taskology: Utilizing Task Relations at Scale [28.09712466727001]
共同で訓練することで,タスクの集合間の固有の関係を活用できることが示される。
タスク間の関係を明確に活用することで、パフォーマンスが向上し、ラベル付きデータの必要性が劇的に低減される。
本稿では, 深度と正規予測, セマンティックセグメンテーション, 3次元運動とエゴモーション推定, および点雲における物体追跡と3次元検出という, タスクのサブセットについて示す。
論文 参考訳（メタデータ） (2020-05-14T22:53:46Z)
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。