論文の概要: PRA-PoE: Robust Multimodal Alzheimer's Diagnosis with Arbitrary Missing Modalities

• arxiv url: http://arxiv.org/abs/2605.13081v2
• Date: Wed, 20 May 2026 11:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.102326
• Title: PRA-PoE: Robust Multimodal Alzheimer's Diagnosis with Arbitrary Missing Modalities
• Title（参考訳）: PRA-PoE: Arbitrary Missing Modalities によるロバストマルチモーダルアルツハイマーの診断
• Authors: Guangqian Yang, Ye Du, Wenlong Hou, Qian Niu, Shujun Wang,
• Abstract要約: 現実のアルツハイマー病(AD)の評価では、欠落のモダリティが一般的である。 暗黙の計算やモダリティ合成に依存する既存のアプローチは、しばしばモダリティの可用性と不確実性を明示的にモデル化することができない。 本稿では,PRA(Prototype-anchored Representation Alignment)とUA-PoE(Uncertainty-aware Product of Experts)の融合機構を提案する。
• 参考スコア（独自算出の注目度）: 9.014577470296013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Missing modalities are prevalent in real-world Alzheimer's disease (AD) assessment and pose a significant challenge to multimodal learning, particularly when the distribution of observed modality subsets differs between training and deployment. Such missingness pattern mismatch induces a conditional representation shift across modality subsets. Existing approaches that rely on implicit imputation or modality synthesis often fail to explicitly model modality availability and uncertainty, leading to overconfident dependence on synthesized features, reduced robustness, and miscalibrated uncertainty estimates. To address these limitations, we propose PRA-PoE, an incomplete multimodal learning framework that is equipped with Prototype-anchored Representation Alignment (PRA) and an Uncertainty-aware Product of Experts (UA-PoE) fusion mechanism. First, PRA uses learnable global prototypes and availability-conditioned tokens to encode modality availability, distinguish observed from missing modalities, re-synthesize features for missing modalities, and adaptively refine observed representations to align latent spaces across modality subsets, with the goal of reducing representation shift under varying missingness patterns. Second, UA-PoE models each modality as a Gaussian expert and performs closed-form Product of Experts fusion, where experts with higher uncertainty are automatically down-weighted via lower precision, improving uncertainty reliability. We evaluate PRA-PoE under a clinically realistic protocol by training with naturally missing data and testing on all non-empty modality combinations. PRA-PoE consistently outperforms the state-of-the-art across datasets, achieving a 5.4% relative improvement in average accuracy on ADNI and a 10.9% relative gain in average F1 on OASIS-3 over the strongest baseline across all non-empty modality subsets.
• Abstract（参考訳）: 現実のアルツハイマー病 (AD) の評価では欠落のモダリティが一般的であり、特に観察されたモダリティサブセットの分布がトレーニングとデプロイメントの間に異なる場合、マルチモーダル学習において重要な課題となる。 このような欠落パターンのミスマッチは、モダリティ部分集合間の条件表現シフトを誘導する。 暗黙の計算やモダリティの合成に依存する既存のアプローチは、しばしばモダリティの可用性と不確実性を明示的にモデル化することができない。 これらの制約に対処するため、PRA-PoEは、PRA-PoE(Prototype-anchored Representation Alignment (PRA))とUncertainty-aware Product of Experts (UA-PoE)融合機構を備えた不完全なマルチモーダル学習フレームワークである。 第一に、PRAは学習可能なグローバルプロトタイプとアベイラビリティ条件付きトークンを使用して、モダリティの可利用性を符号化し、モダリティの欠如と区別し、モダリティの欠如に対する特徴を再合成し、観測された表現を適応的に洗練し、ラテント空間をモダリティのサブセット間で整列させる。 第二に、UA-PoEはそれぞれのモダリティをガウスの専門家としてモデル化し、クローズドフォームのProduct of Experts融合を行い、高い不確実性を持つエキスパートは低い精度で自動的にダウンウェイトされ、信頼性が向上する。 我々は,PRA-PoEを,自然に欠落したデータを用いて訓練し,すべての空でないモダリティの組み合わせを試験することにより,臨床的に現実的なプロトコル下で評価した。 PRA-PoEはデータセット全体の最先端を一貫して上回り、ADNIの平均精度は5.4%向上し、OASIS-3における平均F1の10.9%上昇は、すべての空でないモダリティサブセットで最強のベースラインを超えた。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models [70.34265674686516]
  マルチモーダル埋め込みモデルは、テキスト、画像、ビデオ、オーディオなどの異種入力を共有意味空間にマッピングすることを目的としている。 本稿では,テキスト,画像,ビデオ,オーディオ,エージェント中心のシナリオにまたがる埋め込みを評価するベンチマークであるMMEB-V3を紹介する。 本研究は, 完全モダリティ埋め込みの系統的解析を行い, 3つの重要な知見を同定する。
  論文  参考訳（メタデータ） (2026-04-25T14:15:05Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Missing-Aware Multimodal Fusion for Unified Microservice Incident Management [22.703696384749595]
  ARMORは、モダリティの欠如を前提とした、自己管理型のフレームワークである。 自己監督型自己回帰とマスク誘導型再構成を用いて、異常検出、障害トリアージ、根本原因の局在を共同で最適化する。 完全なデータ条件下での最先端性能を実現し、厳密なモダリティ損失でも堅牢な診断精度を維持する。
  論文  参考訳（メタデータ） (2026-03-26T15:14:57Z)
• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• Embracing Aleatoric Uncertainty in Medical Multimodal Learning with Missing Modalities [9.064442992807264]
  本稿では,不確かさに対処するために,非定型的不確実性を明確に定量化するAUM(Aleatoric Uncertainity Modeling)を提案する。 本フレームワークは,MIMIC-IV死亡予測におけるAUC-ROCの2.26%,eICUでは2.17%向上した。
  論文  参考訳（メタデータ） (2026-01-29T16:31:48Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Imputation-Powered Inference [2.676349883103404]
  Imputation-powered Inference (IPI) は、ブラックボックス計算の柔軟性と、完全に観測されたデータを用いたバイアス補正を組み合わせたモデルリーンフレームワークである。 IPIは、二重頑健な推定値とナイーブな計算値の両方が名目的カバレッジを達成できない設定において、統計的妥当性を維持しながら、完全ケース分析と比較して、サブポピュレーション効率を大幅に改善する可能性がある。
  論文  参考訳（メタデータ） (2025-09-17T07:48:54Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Exploiting modality-invariant feature for robust multimodal emotion recognition with missing modalities [76.08541852988536]
  我々は、欠落したモダリティ・イマジネーション・ネットワーク(IF-MMIN)に不変な特徴を用いることを提案する。 提案モデルは,不確実なモダリティ条件下で,すべてのベースラインを上回り,全体の感情認識性能を不変に向上することを示す。
  論文  参考訳（メタデータ） (2022-10-27T12:16:25Z)

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。