論文の概要: From Exposure to Internalization: Dual-Stream Calibration for In-context Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2604.06262v1
• Date: Tue, 07 Apr 2026 01:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.126127
• Title: From Exposure to Internalization: Dual-Stream Calibration for In-context Clinical Reasoning
• Title（参考訳）: 露光から内部化へ:インコンテクスト臨床推論のためのデュアルストリーム校正
• Authors: Chuang Zhao, Hongke Zhao, Xiaofang Zhou, Xiaomeng Li,
• Abstract要約: 本研究では,表面知識の露出を超越して推論中の深い内部化を実現するテストタイムトレーニングフレームワークを提案する。 このストリームはテスト時に特別なサポートセットをトレーニングすることで、外部のエビデンスと内部ロジックのギャップを埋めることを可能にする。 我々のアプローチは、推論パラダイムを、受動的注意に基づくマッチングから、潜在推論空間の活発な洗練へとシフトさせる。
• 参考スコア（独自算出の注目度）: 25.26891897415524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contextual clinical reasoning demands robust inference grounded in complex, heterogeneous clinical records. While state-of-the-art fine-tuning, in-context learning (ICL), and retrieval-augmented generation (RAG) enable knowledge exposure, they often fall short of genuine contextual internalization: dynamically adjusting a model's internal representations to the subtle nuances of individual cases at inference time. To address this, we propose Dual-Stream Calibration (DSC), a test-time training framework that transcends superficial knowledge exposure to achieve deep internalization during inference. DSC facilitates input internalization by synergistically aligning two calibration streams. Unlike passive context exposure, the Semantic Calibration Stream enforces a deliberative reflection on core evidence, internalizing semantic anchors by minimizing entropy to stabilize generative trajectories. Simultaneously, the Structural Calibration Stream assimilates latent inferential dependencies through an iterative meta-learning objective. By training on specialized support sets at test-time, this stream enables the model to bridge the gap between external evidence and internal logic, synthesizing fragmented data into a coherent response. Our approach shifts the reasoning paradigm from passive attention-based matching to an active refinement of the latent inferential space. Validated against thirteen clinical datasets, DSC demonstrates superiority across three distinct task paradigms, consistently outstripping state-of-the-art baselines ranging from training-dependent models to test-time learning frameworks.
• Abstract（参考訳）: 文脈的臨床推論は、複雑で異質な臨床記録に基づく堅牢な推論を要求する。 最先端の微調整、文脈内学習(ICL)、検索拡張生成(RAG)は知識の露出を可能にするが、しばしば真の文脈内部化(モデルの内部表現を推論時に個々のケースの微妙なニュアンスに動的に調整する)に欠ける。 そこで本稿では,提案するDual-Stream Calibration (DSC)を提案する。 DSCは2つのキャリブレーションストリームを相乗的に整列することで入力の内在化を容易にする。 受動的文脈露光とは異なり、セマンティック・キャリブレーション・ストリーム(Semantic Calibration Stream)は、生成軌道を安定化させるためにエントロピーを最小化することによって意味的アンカーを内部化する、中心的証拠に対する熟考的反射を強制する。 同時に、構造キャリブレーションストリームは、反復的なメタ学習目標を通じて、潜伏した推論依存性を同化する。 このストリームはテスト時に特別なサポートセットをトレーニングすることで、外部のエビデンスと内部ロジックのギャップを埋め、断片化されたデータを一貫性のある応答に合成することを可能にする。 我々のアプローチは、推論パラダイムを、受動的注意に基づくマッチングから、潜在推論空間の活発な洗練へとシフトさせる。 13の臨床データセットに対して検証されたDSCは、3つの異なるタスクパラダイムにまたがる優位性を示し、トレーニング依存モデルからテスト時間学習フレームワークまで、一貫して最先端のベースラインを上回っている。

関連論文リスト

• Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning [1.6939372704265414]
  教師なしの変形可能な画像登録には、参照ラベルなしで複雑な解剖学的構造を整列する必要がある。 既存のディープラーニング手法は精度は高いが透明性を欠くことが多く、誤りの漂流と臨床信頼の低下につながる。 本稿では,段階的推論プロセスとして登録を再構成する新しいマルチホップ・ビジュアル・チェイン・オブ・推論・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:41:19Z)
• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
  ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。 ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。 どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
  論文  参考訳（メタデータ） (2025-10-27T00:04:17Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning [15.638836465479619]
  TRiCoは、半教師付き学習の構造を再考する、三進的ゲーム理論の共同学習フレームワークである。 既存のSSLフレームワークにおける重要な制限に対処することによって、TRiCoは原則付き、一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-25T20:10:41Z)
• The Unified Cognitive Consciousness Theory for Language Models: Anchoring Semantics, Thresholds of Activation, and Emergent Reasoning [2.0800882594868293]
  統一認知意識理論(UCCT)は、これらを巨大な無意識パターンリポジトリとみなしている。 UCCTはこの過程を、事前学習で学んだ統計的事前学習と文脈駆動のターゲットパターンの間のベイズ的競争として定式化している。 我々はこの理論を、しきい値交差、モダリティ、密度距離予測力の3つの原理で基礎づける。
  論文  参考訳（メタデータ） (2025-06-02T18:12:43Z)
• Continual Vision-Language Representation Learning with Off-Diagonal Information [112.39419069447902]
  CLIPのようなマルチモーダルなコントラスト学習フレームワークは通常、トレーニングに大量の画像テキストサンプルを必要とする。 本稿では,ストリーミングデータを用いた連続CLIPトレーニングの実現可能性について論じる。
  論文  参考訳（メタデータ） (2023-05-11T08:04:46Z)

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。