論文の概要: Region-Graph Optimal Transport Routing for Mixture-of-Experts Whole-Slide Image Classification
- arxiv url: http://arxiv.org/abs/2604.07298v1
- Date: Wed, 08 Apr 2026 17:04:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.651738
- Title: Region-Graph Optimal Transport Routing for Mixture-of-Experts Whole-Slide Image Classification
- Title（参考訳）: スペクトル混合画像分類のための領域グラフ最適輸送ルーティング
- Authors: Xin Tian, Jiuliu Lu, Ephraim Tsalik, Bart Wanders, Colleen Knoth, Julian Knight,
- Abstract要約: 本稿では,空間認識型MoE-MILアグリゲータであるROAMを提案する。
ROAMは、密集したパッチバッグを局所組織近傍に配列する空間結合単位に圧縮することで得られる空間領域トークンで動作する。
- 参考スコア（独自算出の注目度）: 4.495967231400893
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multiple Instance Learning (MIL) is the dominant framework for gigapixel whole-slide image (WSI) classification in computational pathology. However, current MIL aggregators route all instances through a shared pathway, constraining their capacity to specialise across the pathological heterogeneity inherent in each slide. Mixture-of-Experts (MoE) methods offer a natural remedy by partitioning instances across specialised expert subnetworks; yet unconstrained softmax routing may yield highly imbalanced utilisation, where one or a few experts absorb most routing mass, collapsing the mixture back to a near-single-pathway solution. To address these limitations, we propose ROAM (Region-graph OptimAl-transport Mixture-of-experts), a spatially aware MoE-MIL aggregator that routes region tokens to expert poolers via capacity-constrained entropic optimal transport, promoting balanced expert utilisation by construction. ROAM operates on spatial region tokens, obtained by compressing dense patch bags into spatially binned units that align routing with local tissue neighbourhoods and introduces two key mechanisms: (i) region-to-expert assignment formulated as entropic optimal transport (Sinkhorn) with explicit per slide capacity marginals, enforcing balanced expert utilisation without auxiliary load-balancing losses; and (ii) graph-regularised Sinkhorn iterations that diffuse routing assignments over the spatial region graph, encouraging neighbouring regions to coherently route to the same experts. Evaluated on four WSI benchmarks with frozen foundation-model patch embeddings, ROAM achieves performance competitive against strong MIL and MoE baselines, and on NSCLC generalisation (TCGA-CPTAC) reaches external AUC 0.845 +- 0.019.
- Abstract（参考訳）: MIL(Multiple Instance Learning)は、コンピュータ病理学において、ギガピクセル全体スライディング画像(WSI)の分類において支配的なフレームワークである。
しかし、現在のMILアグリゲータは共有経路を介して全てのインスタンスをルートし、各スライドに固有の病的不均一性を専門化する能力を制限する。
Mixture-of-Experts (MoE) メソッドは、専門のエキスパートサブネットワーク間でインスタンスを分割することで自然な対策を提供するが、制約のないソフトマックスルーティングは高い不均衡な利用をもたらす可能性がある。
これらの制約に対処するため, ROAM (Region-graph OptimAl-transport Mixture-of-experts) を提案する。
ROAMは、密集したパッチバッグを局所組織近傍に配列する空間結合単位に圧縮して得られる空間領域トークンを操作し、2つの重要なメカニズムを導入する。
一 補助負荷分散損失を伴わないバランスの取れた専門家の活用を図り、かつ、エントロピー最適輸送(シンクホーン)として定式化された地域間割当
(II)空間領域グラフ上のルーティング割り当てを拡散するグラフ正規化シンクホーン反復は、近隣地域が同一の専門家に一貫性を持ってルートするように促す。
ROAMは4つのWSIベンチマークにフリーズされた基礎モデルパッチを組み込んで評価し、強力なMILとMoEベースラインに対して性能を競い合うこと、そしてNSCLCの一般化(TCGA-CPTAC)はAUC 0.845 +-0.019に達する。
関連論文リスト
- Path-Constrained Mixture-of-Experts [23.80197713200086]
MoEルーティングは各レイヤの専門家を独立して選択する。
本稿では,連続層にまたがるルータパラメータを共有するパスモエを提案する。
0.9Bおよび16Bパラメータモデルの実験では、独立ルーティングよりも複雑なタスクと下流タスクが一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-03-18T21:35:53Z) - GeMA: Learning Latent Manifold Frontiers for Benchmarking Complex Systems [5.449298588931586]
鉄道網としての複雑なシステムの性能のベンチマークは、輸送規制とマクロ経済分析の中心である。
本稿では,アマニフォールドオートエンコーダ(ProManManVAVA)を用いた技術フレームワークGeMAを提案する。
我々は,地球規模の都市技術と大規模技術フレームワークに縛られた非次元分割フロンティアを用いたGeMA合成データを検証した。
論文 参考訳（メタデータ） (2026-03-17T16:12:30Z) - Bridging Local and Global Knowledge: Cascaded Mixture-of-Experts Learning for Near-Shortest Path Routing [0.4375198630620414]
そこで,我々はCascaded Mixture of Experts (Ca-MoE) を訓練し,APNSPルーティング問題を解く。
われわれのCa-MoEはモジュラー2層アーキテクチャであり、フォワーダー選択の意思決定をサポートする。
実験により、Ca-MoEルーティングはスパースネットワークの精度を最大29.1%向上することが示された。
論文 参考訳（メタデータ） (2026-03-16T17:06:34Z) - Complementarity-Supervised Spectral-Band Routing for Multimodal Emotion Recognition [60.20529806857076]
マルチモーダル感情認識は、テキスト、ビデオ、音声などの手がかりを融合させ、個人の感情状態を理解する。
従来の手法では、機械的に独立な単調なパフォーマンスに依存することと、感情タスクで要求されるきめ細かい表現と相反する粗粒の融合という2つの主な制限に直面していた。
我々は,マルチスケールバンド分解とエキスパートコラボレーションを通じて,微細な相補的特徴をモデル化するために,Atsukoという名前のComplementarity-Supervised Multi-Band Expert Networkを提案する。
論文 参考訳（メタデータ） (2026-03-07T03:58:48Z) - SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration [23.475659268865186]
SLER-IRは、ネットワーク層にまたがる特殊な専門家を活性化する球面的なレイヤーワイド・エキスパート・ルーティング・フレームワークである。
信頼性の高いルーティングを保証するため,Spherical Uniform Degradation Embedding with contrastive learningを導入する。
Global-Local Granularity Fusionモジュールは、空間的非一様分解に対処するために、グローバルセマンティクスと局所分解キューを統合する。
論文 参考訳（メタデータ） (2026-03-06T06:16:57Z) - Token-Level LLM Collaboration via FusionRoute [60.72307345997823]
FusionRouteはトークンレベルのマルチLLMコラボレーションフレームワークである。
各デコーディングステップで最も適した専門家を選択し、選択した専門家の次のTokenディストリビューションを洗練または修正する補完ロジットをコントリビュートする。
シーケンスレベルのコラボレーションとトークンレベルのコラボレーション、モデルマージ、ダイレクト微調整の両方に優れています。
論文 参考訳（メタデータ） (2026-01-08T16:53:16Z) - Generalizable Collaborative Search-and-Capture in Cluttered Environments via Path-Guided MAPPO and Directional Frontier Allocation [7.6658082440595186]
乱雑な環境における協調的追従回避は、まばらな報酬と制約された視野による重大な課題を示す。
反応制御によるトポロジカルプランニングをブリッジする階層型フレームワークであるPGF-MAPPOを提案する。
実験により、PGF-MAPPOはより高速なエバダに対して捕集効率が優れていることが示された。
論文 参考訳（メタデータ） (2025-12-10T08:09:12Z) - Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。
単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。
LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文 参考訳（メタデータ） (2025-11-20T04:11:44Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳（メタデータ） (2021-06-19T18:06:11Z)
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。