論文の概要: The Double Dilemma in Multi-Task Radiology Report Generation: A Gradient Dynamics Analysis and Solution

• arxiv url: http://arxiv.org/abs/2605.22635v2
• Date: Fri, 22 May 2026 04:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 14:44:53.784258
• Title: The Double Dilemma in Multi-Task Radiology Report Generation: A Gradient Dynamics Analysis and Solution
• Title（参考訳）: マルチタスクラジオグラフィーにおける二重ジレンマ : グラディエントダイナミクス解析と解法
• Authors: Erjian Zhang, Yatong Hao, Liejun Wang, Zhiqing Guo,
• Abstract要約: コンフリクト・アバース・アバース・マグニチュード・エンハンス・グラディエント・ディフレッシュ(CAME-Grad)を紹介する。 CAME-Gradは、汎用的なプラグアンドプレイラジオロジーレポート生成ツールである。 8つのRRGメソッドにまたがって大幅に、一貫した改善をもたらす。
• 参考スコア（独自算出の注目度）: 21.473137939180333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While multi-task learning based automatic radiology report generation (RRG) is widely adopted to ensure clinical consistency, most focus on architectural designs yet remain limited to coarse linear scalarization strategies. These strategies cannot effectively balance the hard constraints of discriminative clinical supervision with the smoothness requirements of report generation. To address these problems, we analyze the failure mechanism of linear scalarization from the perspective of gradient dynamics, utilizing the stochastic differential equation (SDE) framework to characterize it as a "Double Dilemma" of drift term deviation and diffusion term decay. Based on this, we propose a backbone-agnostic optimizer named Conflict-Averse Magnitude-Enhanced Gradient Descent (CAME-Grad). Through conflict-averse direction rectification and magnitude-enhanced energy injection, the algorithm not only ensures geometric validity, but also avoids local optimal solutions. Then, the adaptive gradient fusion mechanism is used to establish a dynamic balance between the theoretical optimal direction and the task-specific inductive bias. Experiments show that as a universal plug-and-play optimizer, CAME-Grad brings substantial and consistent improvements across eight diverse RRG methods, elevating overall clinical efficacy performance by an average of 2.3% on MIMIC-CXR and 1.9% on IU X-Ray. Our code is available at https://github.com/vpsg-research/CAME-Grad.
• Abstract（参考訳）: マルチタスク学習に基づく自動放射線診断レポート生成(RRG)は臨床整合性を確保するために広く採用されているが、アーキテクチャ設計の焦点はいまだに粗い線形スカラー化戦略に限られている。 これらの戦略は、差別的臨床監督の厳しい制約とレポート生成の滑らかさの要求とを効果的にバランスさせることはできない。 これらの問題に対処するために、勾配力学の観点から線形スカラー化の失敗機構を解析し、確率微分方程式(SDE)フレームワークを用いて、ドリフト項偏差と拡散項減衰の「二重ジレンマ」として特徴づける。 そこで本稿では,CAME-Grad (Conflict-Averse Magnitude-Enhanced Gradient Descent) というバックボーンに依存しない最適化手法を提案する。 コンフリクト-逆方向補正と等級拡大エネルギー注入により、アルゴリズムは幾何学的妥当性を保証するだけでなく、局所最適解も避ける。 次に、適応勾配融合機構を用いて、理論的最適方向とタスク固有の帰納バイアスの動的バランスを確立する。 実験の結果、CAME-Gradは汎用プラグアンドプレイオプティマイザとして8種類のRRG法で大幅に改善され、MIMIC-CXRでは平均2.3%、IU X-Rayでは1.9%の総合的な臨床効果が向上した。 私たちのコードはhttps://github.com/vpsg-research/CAME-Grad.comで公開されています。

関連論文リスト

• Resolving gradient pathology in physics-informed epidemiological models [0.0]
  疫学モデリングのための物理インフォームドニューラルネットワークにおける勾配競合に対処する新しい手法であるコンフリクトゲート勾配スケーリング(CGGS)を提案する。 正規化のみを行うスキームとは異なり、CGGSはコンフリクトが高い場合の物理的な制約を抑え、データの忠実度を優先することができる。
  論文  参考訳（メタデータ） (2026-03-25T00:19:21Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• A General Adaptive Dual-level Weighting Mechanism for Remote Sensing Pansharpening [11.791358860917189]
  リモートセンシングの深層学習法は 急速に進歩しています 多くの既存手法は特徴の不均一性と冗長性を完全に活用するのに苦労している。 これらの課題に対処するために、一般適応二重レベル重み付け機構(ADWM)を導入する。
  論文  参考訳（メタデータ） (2025-03-17T14:24:00Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Cogradient Descent for Dependable Learning [64.02052988844301]
  双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。 CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。 また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
  論文  参考訳（メタデータ） (2021-06-20T04:28:20Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。