論文の概要: UnDA: Unpaired Domain Alignment for Cross-Modal Knowledge Transfer in Medical Imaging

• arxiv url: http://arxiv.org/abs/2607.21546v1
• Date: Thu, 23 Jul 2026 17:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.500981
• Title: UnDA: Unpaired Domain Alignment for Cross-Modal Knowledge Transfer in Medical Imaging
• Title（参考訳）: UnDA:医療画像におけるクロスモーダルな知識伝達のためのドメインアライメント
• Authors: Rafsan Jany, Shadab Tanjeed Ahmad, Ahsan Bulbul, Tahsinul Islam, Md Azam Hossain, Abu Raihan Mostofa Kamal,
• Abstract要約: 提案するUnDAは非対向型クロスモーダル蒸留のためのアンカー誘導型フレームワークである。 このアプローチでは,意味的に構造化されたクラストークンを抽出するバックボーンに依存しないアライメントモジュールを導入している。 意味のある構造的知識は、ペア化されたデータセットを使わずに異種データソース間で伝達可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.4566725591898808
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal based approaches often outperform single modality approaches in downstream tasks as the different modalities provide complementary information, yet acquiring paired clinical data remains a significant challenge in real world scenarios. While cross-modal knowledge distillation addresses this, existing methods often struggle with large modality gaps and the propagation of noise from uncertain source-domain predictions. To overcome these challenges, we propose UnDA, an anchor-guided framework for unpaired cross-modal distillation. Our approach introduces a backbone-agnostic Alignment Module that extracts semantically structured class tokens via an attention based pooling mechanism. To ensure robust knowledge transfer, we propose Uncertainty-Weighted Optimal Transport (UCT-OT), which dynamically weights feature-level alignment based on prediction confidence, effectively suppressing noisy supervision. Furthermore, a per-class ProtoNCE objective maintains stable prototype memories to enforce global discriminability across unpaired batches. Evaluations on representative segmentation tasks under strictly unpaired settings show consistent improvements in accuracy and boundary precision in the target modality, demonstrating that meaningful structural knowledge can be transferred across heterogeneous data sources without paired datasets.
• Abstract（参考訳）: マルチモーダルベースのアプローチは、異なるモダリティが相補的な情報を提供するため、下流タスクにおいて単一のモダリティアプローチよりも優れていることが多いが、現実のシナリオでは、ペア化された臨床データを取得することが大きな課題である。 クロスモーダルな知識蒸留はこの問題に対処するが、既存の方法は大きなモダリティギャップと不確実なソースドメイン予測からのノイズの伝播にしばしば苦労する。 これらの課題を克服するために,不対向型クロスモーダル蒸留のためのアンカー誘導型フレームワークUnDAを提案する。 本手法では,アテンションベースのプール機構を通じて意味的に構造化されたクラストークンを抽出する,バックボーンに依存しないアライメントモジュールを導入する。 頑健な知識伝達を保証するため,予測信頼度に基づいて特徴レベルのアライメントを動的に重み付けし,ノイズを効果的に抑制するUncertainty-Weighted Optimal Transport (UCT-OT)を提案する。 さらに、クラスごとのProtoNCEの目標は、安定なプロトタイプメモリを維持して、不用意なバッチ間でのグローバルな差別性を強制する。 厳密な障害のない条件下での代表的なセグメンテーションタスクの評価は、目標モダリティにおける精度と境界精度が一貫した改善を示し、意味のある構造的知識がペアデータセットなしで異種データソース間で伝達可能であることを示した。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• UGG-ReID: Uncertainty-Guided Graph Model for Multi-Modal Object Re-Identification [26.770271366177603]
  マルチモーダルオブジェクトReID(UGG-ReID)に対する不確実性誘導グラフモデルというロバストなアプローチを提案する。 UGG-ReIDは、ノイズ干渉を緩和し、効果的なマルチモーダル融合を促進するように設計されている。 実験結果から,提案手法は全データセットに対して優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2025-07-07T03:41:08Z)
• Robust Brain Tumor Segmentation with Incomplete MRI Modalities Using Hölder Divergence and Mutual Information-Enhanced Knowledge Transfer [10.66488607852885]
  不完全なモダリティであっても高いセグメンテーション精度を実現する頑健な単一モード並列処理フレームワークを提案する。 モデルでは、利用可能な入力に基づいてネットワークパラメータを動的に調整しながら、モダリティ固有の特徴を維持している。 これらのばらつきと情報に基づく損失関数を用いることで、このフレームワークは予測と地味ラベルの差異を効果的に定量化する。
  論文  参考訳（メタデータ） (2025-07-02T00:18:07Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)

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。