論文の概要: Universal Boosts, Specific Suppressors: Sparse Autoencoder Steering of Medical Vision-Language Models

• arxiv url: http://arxiv.org/abs/2605.24977v1
• Date: Sun, 24 May 2026 10:17:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.625692
• Title: Universal Boosts, Specific Suppressors: Sparse Autoencoder Steering of Medical Vision-Language Models
• Title（参考訳）: 医用ビジョンランゲージモデルのスパースオートエンコーダステアリング
• Authors: Farhad Nooralahzadeh, Benjamin Gundersen, Nicolas Deperrois, Hidetoshi Matsuom, Mizuho Nishio, Thomas Frauenfelder, Ahmed Allam, Christian Blüthgen, Michael Moor, Michael Krauthammer,
• Abstract要約: 医用視覚モデル(VLM)は胸部X線レポートを作成する際にしばしば発見を作製する。 パートーケンススパースオートエンコーダに基づく復号時間残差ステアリングにより、重み更新なしでこれを緩和する。 MIMIC-CXRテストスプリットでは,推測のみの手法により,生成したレポートの品質が向上する。
• 参考スコア（独自算出の注目度）: 6.166748218298133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical vision-language models (VLMs) often hallucinate findings when generating chest X-ray reports: they fabricate findings that are not present in the image, miss important ones, or locate them incorrectly. We mitigate this without weight updates by decoding-time residual steering on a per-token sparse autoencoder (SAE) basis: Top-$K$ SAEs on late layers, causal steering against clinical errors, then combined suppress/boost intervention at inference time. On the MIMIC-CXR test split, our inference-only method improves the quality of generated reports for three radiology VLMs (RadVLM, LLaVA-Rad, and CheXOne), with relative improvements of +5.4%, +7.2%, and +17.0% in the clinical composite metric, and statistically significant GREEN gains on all backbones. A cross-model feature alignment shows that the quality-promoting (boost) directions overlap strongly across architectures, whereas hallucination-linked (suppress) directions are model-specific. Therefore, transferable steering must treat suppression per-backbone, rather than sharing a universal suppress list. The same recipe transfers zero-shot to IU-Xray (Green $+7.7\%$ rel.) without retraining, confirming that the identified features are properties of the model, not of the training corpus. We release causal feature sets and an interactive feature dashboard: https://cxr-sparse-feature-dashboard.netlify.app/.
• Abstract（参考訳）: 医用視覚言語モデル(VLM)は、胸部X線所見を発生させる際、しばしば幻覚させる。 重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,重み付けを行ない,かつ推論時に抑制・ブースト介入を併用した。 MIMIC-CXRテストスプリットでは,5.4%,+7.2%,+17.0%,統計学的に有意なGREENゲインの3種類の放射線学VLM(RadVLM, LLaVA-Rad, CheXOne)の報告の質が向上した。 クロスモデル機能アライメントは、品質促進(ブースト)方向がアーキテクチャ間で強く重なり合うことを示しているが、幻覚関連(抑圧)方向はモデル固有である。 したがって、転送可能なステアリングは、普遍的な抑制リストを共有するのではなく、バックボーンごとの抑制を処理しなければならない。 同じレシピはゼロショットをIU-Xray(Green $+7.7\%$ rel)に転送する。 ) 再訓練を行わず,識別された特徴がトレーニングコーパスではなく,モデルの特性であることを確認した。 因果的機能セットとインタラクティブな機能ダッシュボードをリリースします。

関連論文リスト

• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T11:34:41Z)
• RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
  RVLMは単一パス推論を反復生成実行ループに置き換える。 すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。 Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
  論文  参考訳（メタデータ） (2026-03-25T11:52:55Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Route, Retrieve, Reflect, Repair: Self-Improving Agentic Framework for Visual Detection and Linguistic Reasoning in Medical Imaging [3.6136448489318695]
  医用イメージングを4つの協調エージェントに分解するエージェントフレームワークであるR4を提案する。 R4 は LLM-as-a-Judge のスコアを約 +1.7-2.5 で、mAP50 は 2.5-+3.5 の絶対点を強い単VLM ベースライン上で連続的に引き上げる。
  論文  参考訳（メタデータ） (2026-01-13T03:44:06Z)
• LLMs Can Get "Brain Rot"! [68.08198331505695]
  ジャンクウェブテキストへの連続曝露は、大規模言語モデル(LLM)の持続的認知低下を誘導する 実Twitter/Xコーパスで制御された実験を行い、ジャンクと逆制御されたデータセットを構築します。 その結果、データ品質がLLM能力の崩壊の原因であることを示す重要な多視点的証拠が得られた。
  論文  参考訳（メタデータ） (2025-10-15T13:28:49Z)
• Decoupling Clinical and Class-Agnostic Features for Reliable Few-Shot Adaptation under Shift [12.373281238541296]
  医療ビジョン言語モデル(VLM)は、臨床診断支援を約束するが、分布シフトによる信頼性は、安全なデプロイメントにとって大きな関心事である。 そこで我々はDRiFtを提案する。DRiFtは機能分離フレームワークで、臨床的に関連する信号をタスク非依存のノイズから明確に分離する。 提案手法は,従来のプロンプトベースの手法に比べて,Top-1精度+11.4%,Macro-F1+3.3%向上する。
  論文  参考訳（メタデータ） (2025-09-11T12:26:57Z)
• PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations [7.075420686441701]
  PRISMは、類似した患者のプロトタイプ表現を活用することで、データを間接的にインプットするフレームワークである。 PRISMには、ステータスの欠如を考慮した各機能の信頼性を評価する機能信頼モジュールも含まれている。 MIMIC-III, MIMIC-IV, PhysioNet Challenge 2012, eICU データセットを用いた実験により, PRISM の院内死亡予測と30日間の読解作業における優れた性能が示された。
  論文  参考訳（メタデータ） (2023-09-08T07:01:38Z)
• Mind the Backbone: Minimizing Backbone Distortion for Robust Object Detection [52.355018626115346]
  ドメインシフトに対して堅牢なオブジェクト検出器を構築することは、現実世界のアプリケーションにとって重要なことです。 我々は,ゆがみを特徴付けるバックボーンの脆弱性を測定する手段として,相対勾配ノルム(Relative Gradient Norm)を提案する。 両バックボーンのOOD堅牢性を高めるためのレシピを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:50:43Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
  我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。 MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。 具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T18:33:32Z)

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。