論文の概要: Agentic Autoresearch for CT Reconstruction

• arxiv url: http://arxiv.org/abs/2607.22824v1
• Date: Fri, 24 Jul 2026 18:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.887468
• Title: Agentic Autoresearch for CT Reconstruction
• Title（参考訳）: CT再建のためのエージェントオートリサーチ
• Abstract要約: 5月低用量CT(ノイズリミット)と128ビュースパースビュー乳房タスクで26の手法をベンチマークした。 訓練された乳房モデルはすべて、再訓練せずにノイズ入力で再検査され、一致した雑音で別々に再訓練された。 ベンチマークは1つの勝者ではなく、統計的に区別できないトップメソッドの層を提供する。
• 参考スコア（独自算出の注目度）: 6.987253902215927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Comparing CT reconstruction methods fairly is labor-intensive and largely manual, and many benchmarks use idealized data. We ask whether a large language model (LLM) agent can do the labor of reconstruction research on its own, and whether a ranking measured on ideal data predicts behavior under realistic noise. We built an agentic loop: the agent edits a solver, runs a short cluster job, reads one frozen metric, and revises. The metric is a calibrated headroom score against the FBP baseline, inside the field of view; every method shares the same differentiable fan-beam projector. We benchmarked 26 methods on Mayo low-dose CT (noise-limited) and a 128-view sparse-view breast task from the noiseless DL-Sparse-View Challenge, with validation-selected iterations scored on a held-out test set. Every trained breast model was then re-scored on noisy inputs (I_0 = 10^5 photons) without retraining, and separately retrained on matched noise. The agent independently implemented, tuned, and benchmarked all 26 methods, and recombined them into a compact solver of 969 parameters that ties the top Mayo tier at the 1% level using 0.4% of the champion's parameters. Benchmarking gives a tier of statistically indistinguishable top methods, not one winner. Mild input noise nearly inverts the breast ranking: the noiseless champion (a supervised image denoiser, hr 0.89) collapses to 0.00, while a learned primal-dual method rises to champion (0.72 to 0.93). An ideal-data leaderboard therefore does not predict robustness. The inversion is a transfer effect, not a permanent deficit: retraining on matched noise restores much of the clean ranking (Spearman rho 0.04 to 0.61). Noise is only the easiest confounder in an open-ended set (beam hardening, scatter, anatomy, disease), so no single-factor challenge certifies generality. Benchmarks should model a broad spectrum of realistic factors at once.
• Abstract（参考訳）: CT再構成法を公平に比較することは労働集約的で手作業であり、多くのベンチマークでは理想化されたデータを使用する。 我々は,大規模言語モデル (LLM) エージェントが自分自身で再構築研究を行うことができるのか,また,理想的なデータに基づいて測定されたランキングが現実的な雑音下での行動を予測するのかを問う。 私たちはエージェントループを構築しました。エージェントはソルバを編集し、短いクラスタジョブを実行し、1つのフリーズメトリックを読み、修正します。 計量は視野内のFBPベースラインに対して校正されたヘッドルームスコアであり、すべてのメソッドは同じ異なるファンビームプロジェクタを共有する。 我々は,5月低線量CT(ノイズリミテッド)と128ビュースパルスビュー乳房タスク(ノイズレスDL-スパースビューチャレンジ)に26の手法をベンチマークした。 訓練された乳房モデルはすべて、再訓練せずにノイズ入力(I_0 = 10^5光子)で再検査し、一致した雑音で別々に再訓練した。 エージェントは26のメソッドをすべて独立に実装し、調整し、ベンチマークし、チャンピオンのパラメータの0.4%を使用してトップマヨ層を1%のレベルで結び付ける969のパラメータのコンパクトなソルバに再結合した。 ベンチマークは1つの勝者ではなく、統計的に区別できないトップメソッドの層を提供する。 ノイズレスチャンピオン(監督されたイメージデノイザー、hr 0.89)は0.00に崩壊し、学習された原始二重法は0.72から0.93に上昇する。 したがって、理想的なデータリーダーボードは堅牢性を予測しません。 逆転は、恒久的な欠陥ではなく伝達効果であり、一致したノイズの再訓練はクリーンなランクを回復する(Spearman rho 0.04 - 0.61)。 ノイズはオープンなセット(ビーム硬化、散布、解剖学、病気)において最も簡単な共同創設者である。 ベンチマークは、一度に幅広い現実的な要因をモデル化するべきである。

関連論文リスト

• Forget or Fine-tune? A Comparative Study of Machine Unlearning Strategies for Noisy Label Correction [0.5647577824219207]
  ディープニューラルネットワークのトレーニングにおいて、ノイズラベルは依然として重要な課題である。 標準的なソリューションは、クリーン化されたデータセットのスクラッチからモデルをトレーニングすることです。 マシン・アンラーニングは計算的に効率的な代替手段として登場した。
  論文  参考訳（メタデータ） (2026-08-30T21:16:29Z)
• Caliber: Cross-Architecture Extraction-Cost Control for Score-Returning APIs [27.21644231867863]
  Caliberは、キャリブレーション問題としてノイズ選択を定式化するモデル抽出に対する防御である。 知識蒸留に返却されたスコアを使用する攻撃者に対して、Caliberは独立して同一に分散したガウスノイズを内部ロジットに追加する。 Caliberは、正方形中央2対数辺による雑音分散を正規化し、その結果の雑音効用関係をロジスティック曲線に適合させる。
  論文  参考訳（メタデータ） (2026-08-02T05:58:00Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Rethinking Noise-Robust Training for Frozen Vision Foundation Models: A Cross-Dataset Benchmark with a Case Study of Small-Loss Failure [7.512887610816016]
  軽微な分類ヘッドを持つ凍結視覚基礎モデル (VFM) は、医用画像の撮影にますます利用されている。 5つの医療データセット,3つのバックボーン,2つのノイズタイプ,5つのノイズレートにまたがる8つのノイズラベル手法のベンチマークを示す。 我々は,エビデンスに基づく指導と,実践的な勧告のための低信頼度特徴空間セレクタで締めくくる。
  論文  参考訳（メタデータ） (2026-05-21T15:02:44Z)
• TTSnap: Test-Time Scaling of Diffusion Models via Noise-Aware Pruning [53.52543819839442]
  テキスト・画像拡散モデルのテスト時間スケーリングに対する顕著なアプローチは、複数のノイズシードの探索として問題を定式化する。 ノイズ対応プルーニング(TTSnap)を用いたテスト時間スケーリングを提案する。
  論文  参考訳（メタデータ） (2025-11-27T09:14:26Z)
• Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
  我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。 EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T19:13:29Z)
• SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation [84.07909405887696]
  本論文は、完全教師なし産業異常検出(すなわち、ノイズデータ付き教師なしAD)を初めて検討したものである。 メモリベースの非教師なしAD手法であるSoftPatchとSoftPatch+を提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。 様々なノイズシナリオで実施された総合的な実験により、SoftPatchとSoftPatch+はMVTecAD、ViSA、BTADのベンチマークで最先端のADメソッドよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-30T11:16:49Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Class Prototype-based Cleaner for Label Noise Learning [73.007001454085]
  半教師付き学習法は、雑音ラベル学習問題に対する現在のSOTAソリューションである。 textbfClass textbfPrototype-based label textbfCleaner。
  論文  参考訳（メタデータ） (2022-12-21T04:56:41Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)

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。