論文の概要: SDR: Set-Distance Rewards for Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2606.00440v1
• Date: Sat, 30 May 2026 00:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.456996
• Title: SDR: Set-Distance Rewards for Radiology Report Generation
• Title（参考訳）: SDR: 放射線学レポート生成のためのセットディスタンス・リワード
• Abstract要約: 生成した埋め込みと参照埋め込みの間の集合間距離を連続的、置換不変な報酬として提案する。 2つのデータセットと3つのビジョン言語モデルにまたがって、GRPOによるセットからセットまでの距離に基づく報酬による後トレーニングは、教師付き微調整よりも一貫して優れています。 同じ設定距離はテストタイムのベスト・オブ・N$選択を可能にする。
• 参考スコア（独自算出の注目度）: 2.2462804525190427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning with verifiable rewards has rapidly advanced reasoning in vision--language models. However, for chest X-ray report generation, the standard rewards (i.e. exact-match accuracy and step-level processes) are incompatible because the reports consist of unordered and orthogonal findings, rather than a causal reasoning chain. We address this gap with a set-based view: each report is split into sentences and embedded by a frozen sentence transformer, yielding unordered embedding sets. We propose the use of set-to-set distances between generated and reference embeddings as continuous, permutation-invariant rewards. Across two datasets and three vision--language models (Qwen3-VL-2B/4B, Gemma3-4B), post-training with set-to-set distance based rewards via GRPO consistently outperforms supervised fine-tuning and exact-match GRPO on all headline metrics (BERTScore, RadGraph F1 and CheXbert F1 by average \%6.80, \%7.82 and \%4.45 relative improvements respectively). The same set distances also enable test-time best-of-$N$ selection: scoring candidates by their distance to training-report embeddings outperforms random selection on our trained models as well as three closed-source LLMs (Mistral-Small, Gemini-2.5 Flash-Lite, GPT-4o-mini) with on average \%16.4 relative improvement on BERTScore. Used as a streaming signal, they support a more efficient form of test-time scaling: pruning low-scoring candidates mid-generation reduces generated tokens by over 50\% while preserving the Findings quality of full best-of-$N$ selection. Together these results establish set-distance rewards as a unified signal for both post-training and test-time scaling in chest X-ray report generation. Our code is publicly \href{https://anonymous.4open.science/r/Set-Distance-Rewards-CXR-BFDA}{available}.
• Abstract（参考訳）: 検証可能な報酬を伴う強化学習は、視覚言語モデルにおいて急速に進歩した推論である。 しかしながら、胸部X線レポート生成では、標準的な報酬(すなわち、正確なマッチング精度とステップレベルのプロセス)は、因果的推論連鎖ではなく、秩序のない、直交的な発見から成り立っているため、相容れない。 それぞれのレポートは文に分割され、凍結した文変換器によって埋め込まれ、非順序の埋め込みセットが生成される。 本稿では,生成した埋め込みと参照埋め込みのセット・ツー・セット距離を連続的,置換不変な報酬として用いることを提案する。 2つのデータセットと3つの視覚言語モデル(Qwen3-VL-2B/4B、Gemma3-4B)、GRPOによるセットからセットまでの距離に基づく報酬による後トレーニングは、すべてのヘッダーメトリクス(BERTScore、RadGraph F1、CheXbert F1をそれぞれ平均6.80、 \%7.82、 \%4.45の相対的な改善)において、監督された微調整と正確なマッチングのGRPOよりも一貫して優れている。 同じ設定距離は、テストタイムのベスト・オブ・N$選択も可能で、トレーニングレポートの埋め込みまでの距離で候補をスコアリングすることで、トレーニングされたモデルでのランダムな選択よりも優れ、BERTScoreの相対的な改善が平均116.4である3つのクローズドソースLCM(Mistral-Small、Gemini-2.5 Flash-Lite、GPT-4o-mini)よりも優れています。 ストリーミング信号として使用されるのは、より効率的なテストタイムスケーリング形式である。 中間世代の低スコア候補のプルーニングは、生成したトークンを50倍以上削減し、完全な$N$選択のFinderings品質を保っている。 これらの結果から, 胸部X線レポート生成におけるトレーニング後およびテスト時スケーリングのための統一信号として, セット距離報酬が確立された。 我々のコードは公然と \href{https://anonymous.4open.science/r/Set-Distance-Rewards-CXR-BFDA}{ available} である。

関連論文リスト

• GATE: Reliability-Gated Gaussian Evidence Fusion for Training-Free Test-Time Adaptation of Vision-Language Models [5.025577782616721]
  GATEはトレーニングフリーの2パストランスダクティブテストタイム適応フレームワークである。 イメージエンコーダ、テキストエンコーダ、およびプロンプトパラメータを完全に凍結しながら、ラベルなしのターゲットセットを使用する。 ゼロショットのパフォーマンスは平均5.41ポイント向上し、最強の非GATEベースラインを1.94ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-29T18:33:23Z)
• ClosureBench: A Constructive Benchmark for Compositional Graph Reasoning [1.827510863075184]
  ClosureBenchはグラフ関係推論のための構築的なベンチマークである。 証明済みの真実だ 1.5Bのオープンウェイトからフロンティアシステムへのモデルの評価を行った。
  論文  参考訳（メタデータ） (2026-08-18T18:36:21Z)
• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• ExTra: Exploratory Trajectory Optimization for Language Model Reinforcement Learning [75.26064451955199]
  ExTraは、モデル自身のロールアウトから探索信号を抽出するフレームワークである。 GRPO上でQwen3-1.7Bをpass@1で約5ポイント、pass@16で+7ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-23T15:51:39Z)
• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• Adaptive Split-MMD Training for Small-Sample Cross-Dataset P300 EEG Classification [12.103074826558531]
  データセット間のシフトは、大きなソースデータセットで小さなターゲットセットを増やそうとするときに発生する。 適応分割最大値離散化学習(AS-MMD)を紹介する。 AS-MMDは、ターゲット重み付き損失とソース/ターゲットサイズ比の平方根に結びついたウォームアップを組み合わせる。 目標のみのトレーニングやプールトレーニングよりも優れています。
  論文  参考訳（メタデータ） (2025-10-24T18:48:21Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• GRAPE: Let GPRO Supervise Query Rewriting by Ranking for Retrieval [19.73916326078242]
  CLIPモデルは,テキストと画像データを統合埋め込み空間に整列させることにより,大規模検索システムの基盤となっている。 コストのかかるリトレーニングを避けるため、既存のメソッドは主に大規模言語モデル(LLM)によるクエリ書き換え戦略を採用している。 GRAPEは,検索誘導型クエリ書き換えにランキング信号を組み込むプラグイン・アンド・プレイ拡張手法である。
  論文  参考訳（メタデータ） (2025-09-27T15:36:59Z)
• Reinforcing Video Reasoning with Focused Thinking [65.85683941058916]
  本稿では,集中的思考と深い報酬の粒度で視覚的推論を強化する新しいフレームワークであるTW-GRPOを提案する。 具体的には,高情報密度のトークンを優先するトークン重み付け機構を用いる。 また,シングルチョイスからマルチチョイスQAタスクにシフトすることで,RLトレーニングを再構築する。
  論文  参考訳（メタデータ） (2025-05-30T15:42:19Z)
• Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains [13.58151841630302]
  本稿では,RAGにおける再ランク付けを合理的な選択手法で置き換える新しい方法であるMETEORAを提案する。 METEORAは、最先端の再評価手法よりも約50%少ないチャンクを使用しながら、生成精度を33.34%向上させる。 敵対的な設定では、METEORAはF1スコアを0.10から0.44に大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-21T20:57:16Z)
• 4DBInfer: A 4D Benchmarking Toolbox for Graph-Centric Predictive Modeling on Relational DBs [67.47600679176963]
  RDBは、相互接続されたテーブルにまたがる膨大な量のリッチで情報的なデータを格納する。 予測機械学習モデルの進歩は、コンピュータビジョンや自然言語処理といった他の領域の進歩に遅れをとっている。 マルチテーブルデータセットをグラフに変換することを前提としたベースラインモデルのクラスを探索する。 大規模RDBデータセットと (ii) 同時予測タスクの多様なコレクションを組み立てる。
  論文  参考訳（メタデータ） (2024-04-28T15:04:54Z)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。