論文の概要: TCLA: Training-Free Class-wise Logit Adaptation for Medical Vision-Language Models

• arxiv url: http://arxiv.org/abs/2607.09562v1
• Date: Fri, 10 Jul 2026 16:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.902436
• Title: TCLA: Training-Free Class-wise Logit Adaptation for Medical Vision-Language Models
• Title（参考訳）: TCLA:医療用視覚言語モデルのための学習不要なクラスワイドロジット適応
• Abstract要約: 医用ビジョンランゲージモデル(VLM)は、強いゼロショット性能を示すが、その効果は、アウト・オブ・ディストリビューション(OOD)データに及ばない。 本稿では,医療用VLMの完全無訓練小ショット適応法であるTCLAについて述べる。
• 参考スコア（独自算出の注目度）: 6.098258627039598
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Medical Vision-Language Models (VLMs) exhibit strong zero-shot performance, yet their effectiveness still declines on out-of-distribution (OOD) data due to domain shifts and class bias inherited from large-scale pretraining. Existing few-shot adaptation methods typically introduce additional trainable components, which can be unstable in extremely low-data regimes (e.g., 1-shot), and lack robustness on different medical data. We present TCLA, a purely training-free few-shot adaptation method for Medical VLMs, which is fast and model-agnostic. TCLA corrects inference logits based on a small set of support samples, boosting pretrained VLMs performance by improving inter-class deconfusion and reducing domain shift. Extensive experiments on nine datasets across multiple medical imaging modalities including X-ray, Ultrasound, MRI, CT, Histopathology, demonstrate that TCLA consistently improves OOD performance of Medical VLMs and, in most of cases, outperforms existing training-based adaptation methods.
• Abstract（参考訳）: 医用ビジョンランゲージモデル(VLM)は強力なゼロショット性能を示すが、大規模な事前トレーニングから受け継がれたドメインシフトとクラスバイアスにより、その効果はアウト・オブ・ディストリビューション(OOD)データに低下する。 既存の少数ショット適応法は、通常、極端に低データ状態(例えば1ショット)で不安定であり、異なる医療データにロバスト性を持たない、トレーニング可能な追加のコンポーネントを導入する。 本稿では,医療用VLMの完全無訓練小ショット適応法であるTCLAについて述べる。 TCLAは、少数のサポートサンプルに基づいて推論ロジットを補正し、クラス間デコンフュージョンを改善し、ドメインシフトを減らすことで、事前訓練されたVLMのパフォーマンスを向上する。 X線、超音波、MRI、CT、病理などの様々な医療画像の9つのデータセットに対する大規模な実験は、TCLAが医療用VLMのOOD性能を一貫して改善し、ほとんどの場合、既存のトレーニングベースの適応法よりも優れていることを示した。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Boosting Vision Semantic Density with Anatomy Normality Modeling for Medical Vision-language Pre-training [18.416499501764207]
  我々は、アライメントの有効性を向上させるために、視覚意味密度を高めることを提案する。 一方,我々は疾患レベルの視覚的コントラスト学習を通じて視覚意味論を強化する。 一方,各解剖学的サンプルの分布をモデル化するための解剖学的正規性モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T06:52:05Z)
• SVD Based Least Squares for X-Ray Pneumonia Classification Using Deep Features [0.21485350418225244]
  肺炎分類のための特異値分解に基づくLast Squaresフレームワークを提案する。 我々は、精度を損なうことなく効率を確保できる、クローズドな非イテレーティブな分類手法を採用する。 実験により,SVD-LSは計算コストを大幅に削減し,競争性能が向上することを示した。
  論文  参考訳（メタデータ） (2025-04-29T17:39:16Z)
• Embeddings are all you need! Achieving High Performance Medical Image Classification through Training-Free Embedding Analysis [0.0]
  医療画像のための人工知能(AI)と機械学習(ML)モデルの開発は通常、大規模なデータセットに対する広範なトレーニングとテストを含む。 従来の訓練手順を埋め込み型アプローチで置き換える可能性について検討した。
  論文  参考訳（メタデータ） (2024-12-12T16:59:37Z)
• Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
  そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
  論文  参考訳（メタデータ） (2024-10-17T12:02:29Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Plug-and-Play Feature Generation for Few-Shot Medical Image Classification [23.969183389866686]
  限られた訓練データを用いた医用画像分類におけるモデル一般化と実用性の向上に大きな可能性を秘めている。 MedMFGは,限られたサンプルから十分なクラス識別機能を生成するために設計された,フレキシブルで軽量なプラグアンドプレイ方式である。
  論文  参考訳（メタデータ） (2023-10-14T02:36:14Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• How to Train Your CheXDragon: Training Chest X-Ray Models for Transfer to Novel Tasks and Healthcare Systems [0.118749525824656]
  自己教師付き学習(SSL)は、機械学習モデルのラベルの効率的なトレーニングを可能にする。 本研究では,様々な教師付き・自己監督型事前学習戦略を体系的に実験する。 マルチモーダルSSLは、新しい医療システムやタスクにおいて、非モーダルSSLよりもパフォーマンスが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-13T22:33:09Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• A Multi-stage Transfer Learning Framework for Diabetic Retinopathy Grading on Small Data [7.083438376194304]
  糖尿病網膜症(DR)は、現在知られている主要な盲腸疾患の一つである。 本稿では,多段階移動学習のアイデアをDRのグルーピングタスクに適用する。 作業中にクラスバランスの損失関数を提示し、それに対してシンプルで実装の容易なトレーニング手法を採用する。
  論文  参考訳（メタデータ） (2021-09-24T08:39:13Z)

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。