Fugu-MT 論文翻訳(概要): Robustifying pathology foundation models via fine-tuning

論文の概要: Robustifying pathology foundation models via fine-tuning

arxiv url: http://arxiv.org/abs/2607.22861v1
Date: Fri, 24 Jul 2026 19:05:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.912044
Title: Robustifying pathology foundation models via fine-tuning
Title（参考訳）: 微調整によるロバスト化病理基盤モデル
Abstract要約: 病理基盤モデル(FM)は、スキャナや染色性に敏感な強力なタイルレベルの表現を生成する。我々は,病的FMの獲得要因に対する堅牢性を向上させるための,新しい微調整レシピを開発した。
参考スコア（独自算出の注目度）: 39.255502531644204
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pathology foundation models (FMs) produce powerful tile-level representations which remain sensitive to scanner and staining variability, undermining deployment across laboratories. We develop a novel fine-tuning recipe that improves the robustness of pathology FMs to acquisition factors. Applied to ten different FMs, our fine-tuning strategy consistently improves robustness for every model as well as downstream performance, with no observed trade-off. On average, it raises the PathoROB robustness index by 23% (from 0.72 to 0.87) and increases the overall cross-benchmark performance by 43% on Patho-Bench, HEST and THUNDER combined, with individual gains reaching up to 72% in robustness (Phikon-v2) and 76% in performance (Midnight-12k). We publicly release the fine-tuned versions of Phikon-v2 (Phaet) and Midnight-12k (Mascaret) at https://huggingface.co/wearewaiv/models.
Abstract（参考訳）: 病理基盤モデル(FM)は、スキャナーや染色性に敏感な強力なタイルレベルの表現を生成し、研究所間のデプロイメントを損なう。我々は,病的FMの獲得要因に対する堅牢性を向上させるための,新しい微調整レシピを開発した。 10種類のFMに適用することで、細調整戦略は、観測されたトレードオフなしに、各モデルのロバスト性や下流のパフォーマンスを継続的に改善します。平均すると、PathoROBのロバスト性指数は23%(0.72から0.87まで)上昇し、Patho-Bench、HEST、THUNDERの総合ベンチマーク性能は43%向上し、個々のゲインは72%(Phikon-v2)、パフォーマンスは76%(Midnight-12k)に達した。 Phikon-v2(Phaet)とMidnight-12k(Mascaret)の微調整版をhttps://huggingface.co/wearewaiv/models.comで公開しています。

関連論文リスト

Robust Lightweight Deep Learning Models for Oral Cancer Screening [2.1173478851307252]
口腔がんは低所得国における死亡率の主要な原因である。スマートフォンを用いた口腔癌検診における軽度深層学習モデルの最適化について述べる。
論文参考訳（メタデータ） (2026-08-21T19:36:25Z)
Modern Backbones Improve Multi-task DETR for Mammography Classification and Lesion Localization [0.6982666633050445]
マンモグラフィにおける統合検査レベルの予測と候補領域のローカライゼーションにより,AIサポートの有用性が向上する可能性がある。画像レベルの悪性度予測と病変局所化の両方をサポートする多タスクDETRフレームワークを用いて,この設定について検討する。現代のバックボーンは、ConvNeXtV2とDINOv3で、古いResNetスタイルの機能を一貫して上回った。
論文参考訳（メタデータ） (2026-08-10T16:22:07Z)
Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification [0.06875312133832077]
本研究では,アーキテクチャ間ルーティングを用いた適応型ソフト・ミックス・オブ・エクササイズ(MoE)フレームワークを提案する。 MoEフレームワークはEfficientNet-B0、DenseNet-121、Swin-Tinyを統合し、補完的なマルチスケール、ローカル、グローバル機能を活用する。
論文参考訳（メタデータ） (2026-06-22T14:58:42Z)
RepSAM: Bridging Foundation Models to Robotic Vision via Representation-Guided Adaptation [0.0]
RepSAMは、ロボットビジョンに基礎モデルを適用するための表現誘導パラメータ効率の微調整フレームワークである。 RepSAMは完全な微調整性能(89.0%対90.9% mIoU)の97.9%を達成し、トレーニング可能なパラメータを158倍(632Mから4.0M)削減した。
論文参考訳（メタデータ） (2026-05-25T06:56:42Z)
VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
拡散モデルは高品質な合成データを生成するが、推論が遅い。可変ステップ拡散確率モデル(VS-DDPM)を提案する。我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
論文参考訳（メタデータ） (2026-04-24T18:32:22Z)
CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文参考訳（メタデータ） (2025-11-20T03:38:46Z)
Analyzing the Effects of Supervised Fine-Tuning on Model Knowledge from Token and Parameter Levels [72.3670919950349]
大規模言語モデル(LLM)は、事前訓練中にかなりの世界の知識を得る。教師付き微調整(SFT)のようなポストトレーニング技術はこの知識変化の振る舞いを形作る。 LLaMA-2 と LLaMA-3 の 5 つの LLM を対象としたクローズドブック質問応答 (CBQA) の性能評価を行った。
論文参考訳（メタデータ） (2025-09-20T09:40:32Z)
Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images [0.7541656202645494]
YOLOv5とYOLOv8の2つの近代的な1段検出器は、MIDOG++、CMC、CCMCTデータセットで訓練された。 YOLOv5は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供した。我々のアンサンブルは、F1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータに対して効果的に一般化されていることを確認した。
論文参考訳（メタデータ） (2025-09-03T02:43:02Z)
Skywork Open Reasoner 1 Technical Report [51.403686909760914]
提案するSkywork-OR1は,長期チェーン・オブ・ソート(CoT)モデルのための,効果的かつスケーラブルな強化学習(RL)実装である。 DeepSeek-R1-Distillモデルシリーズをベースとして、我々のRLアプローチは顕著なパフォーマンス向上を実現している。我々のSkywork-OR1-32Bモデルは、AIME24とAIME25ベンチマークでDeepSeek-R1とQwen3-32Bを上回っています。
論文参考訳（メタデータ） (2025-05-28T12:56:04Z)
Mutual-Taught for Co-adapting Policy and Reward Models [43.11214888109746]
政策モデルと報酬モデルの両方を反復的に改善する自己学習手法であるMutual-Taughtを提案する。実験の結果、この反復的なアプローチは両方のモデルに一貫した改善をもたらすことが示された。
論文参考訳（メタデータ） (2025-05-17T04:34:23Z)
Contrastive Adapters for Foundation Model Group Robustness [11.961187296775185]
既存のロバスト性を改善するには再訓練が必要であるが、これは大規模な基礎モデルでは違法に高価である。そこで本研究では,コントラスト学習を伴うアダプタを訓練し,それらの接地構造クラス埋め込みと,同じクラスに他のサンプル埋め込みの両方に近接してサンプル埋め込みをもたらすことを提案する。提案手法は群ロバスト性を常に改善し,ゼロショットよりも最悪のグループ精度を8.5～56.0ppに向上させる。
論文参考訳（メタデータ） (2022-07-14T19:40:55Z)
ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
論文参考訳（メタデータ） (2022-03-23T08:47:01Z)
Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。