論文の概要: OPERA: Offline Policy-guided Expert Routing and Adaptation for Universal Biomedical Image Analysis

• arxiv url: http://arxiv.org/abs/2607.25108v1
• Date: Mon, 27 Jul 2026 22:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.640998
• Title: OPERA: Offline Policy-guided Expert Routing and Adaptation for Universal Biomedical Image Analysis
• Title（参考訳）: OPERA: ユニバーサルバイオメディカル画像解析のためのオフラインポリシー誘導エキスパートルーティングと適応
• Abstract要約: OPERAは、オフラインポリシー学習問題として専門家の重み付けに対処するマルチエージェントアンサンブルフレームワークである。 基礎写真,胸部X線,CT,MRI,マルチモーダル診断ベンチマークを含む9つのデータセットに対するOPERAの評価を行った。
• 参考スコア（独自算出の注目度）: 19.76083673142665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical image analysis spans diverse modalities and tasks, yet real-world deployment is hindered by severe distribution shifts across scanners, protocols, and patient populations. High-performing models consequently require repeated domain-specific fine-tuning, which is a costly cycle that becomes impractical when labels are scarce or privacy constraints limit data sharing. We propose OPERA (Offline Policy-guided Expert Routing and Adaptation), a multi-agent ensemble framework that addresses this deployment bottleneck by treating expert weight assignment as an offline policy learning problem: a routing policy is learned from a small validation set without gradient updates to any expert agent, then deployed with test-time adaptation to handle distribution shift. OPERA coordinates heterogeneous specialist agents through complementary mechanisms. The expert profiling module learns selection policies offline, enabling informed allocation of expertise. Each agent undergoes confidence calibration through temperature adjustment, ensuring more reliable probabilistic outputs. OPERA also incorporates distribution aware adaptation, where class weights are dynamically adjusted at the batch level using statistics derived from unlabeled test data. Instance level routing assigns each sample to the most suitable expert by leveraging inter model agreement and predictive entropy. We evaluate OPERA on 9 datasets covering fundus photography, chest X-ray, CT, MRI, and multimodal diagnostic benchmarks, comparing against 30+ baselines across classification, segmentation, and multimodal settings. OPERA consistently improves performance and calibration quality, demonstrating that offline policy-guided expert agents coordination is a practical path to deployable biomedical AI without retraining. Code is on \href{https://github.com/HUANGLIZI/OPERA}{GitHub}.
• Abstract（参考訳）: バイオメディカル画像解析は様々なモダリティやタスクにまたがるが、現実の展開はスキャナー、プロトコル、患者集団間の深刻な分布シフトによって妨げられる。 その結果、ハイパフォーマンスモデルでは、繰り返しドメイン固有の微調整が必要となり、ラベルが不足したり、プライバシ制約がデータ共有を制限する場合、コストがかかるサイクルとなる。 OPERA(Offline Policy-guided Expert Routing and Adaptation)は、専門家の重み付けをオフラインのポリシー学習問題として扱うことで、このデプロイメントボトルネックに対処するマルチエージェントアンサンブルフレームワークである。 OPERAは相補的なメカニズムを通じて異種の専門家エージェントを協調する。 専門家プロファイリングモジュールは、選択ポリシーをオフラインで学習し、専門知識のアロケーションを可能にする。 各エージェントは温度調整を通じて信頼性校正を行い、より信頼性の高い確率出力を保証する。 OPERAは、未ラベルのテストデータから得られた統計を用いて、クラスウェイトをバッチレベルで動的に調整する分散アダプティブも組み込んでいる。 インスタンスレベルのルーティングは、モデル間の合意と予測エントロピーを活用することで、各サンプルを最も適切な専門家に割り当てる。 基礎写真,胸部X線,CT,MRI,マルチモーダル診断ベンチマークを含む9つのデータセットを対象に,OPERAを分類,セグメンテーション,マルチモーダル設定で30以上のベースラインと比較した。 OPERAは、パフォーマンスとキャリブレーションの品質を継続的に改善し、オフラインポリシーを指導する専門家エージェントの調整が、再トレーニングなしに生体医療AIをデプロイするための実践的な方法であることを示した。 コードは \href{https://github.com/HUANGLIZI/OPERA}{GitHub} にある。

関連論文リスト

• FedSPM: Routing-Enabled Federated Learning under Dual Heterogeneity via Semiparametric Mixture [14.751907622686423]
  本稿では、クライアント固有の潜在コンポーネントを使用して各クライアントを表すルーティング可能な半パラメトリック混合フレームワークであるFedSPMを提案する。 制御されたベンチマークと実世界の医療データによる実験では、二重不均一性の下でのルーティングと予測が一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-05T02:31:39Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Multi-Domain Learning with Global Expert Mapping [102.62297074508147]
  Mixture-of-Experts (MoE)モデルは、入力を専門分野(専門家)にルーティングすることでスケーラブルなソリューションを提供する。 本稿では,学習ルータをグローバルスケジューラに置き換えるプランナー・コンパイラフレームワークであるGEMを提案する。 我々のプランナーは線形プログラミングの緩和に基づいて、データセットを専門家に分数的に割り当てる一方、コンパイラはこのソフトプランを決定論的でキャパシティを意識したマッピングに変換するために階層的なラウンドリングを適用する。 実験の結果、GEM-DINOはUODBベンチマークで最先端のパフォーマンスを達成し、表現不足のデータセットに顕著な利益をもたらし、タスク干渉をわずかに解決していることがわかった。
  論文  参考訳（メタデータ） (2026-04-20T21:09:34Z)
• Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
  本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。 ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。 すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
  論文  参考訳（メタデータ） (2025-10-28T17:53:13Z)
• MisoDICE: Multi-Agent Imitation from Unlabeled Mixed-Quality Demonstrations [5.4482836906033585]
  実演が混在する多エージェント環境下でのオフライン模倣学習(IL)について検討した。 提案手法は,軌道ラベリングとマルチエージェント模倣学習の2段階からなる。 我々はこれらのラベルを利用してロバストなポリシーを学習する新しいマルチエージェントILアルゴリズムであるMisoDICEを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T08:43:42Z)
• HyperMARL: Adaptive Hypernetworks for Multi-Agent RL [13.029350832809582]
  マルチエージェント強化学習(MARL)は、均一性、特殊化、混合行動を表現するためのポリシーを必要とする。 エージェント条件のハイパーネットワークはエージェント固有のパラメータを生成し、観察とエージェント条件の勾配を分離することができる。 提案手法であるHyperMARLは,先行研究の複雑さを回避し,政策勾配の分散を実証的に低減する。
  論文  参考訳（メタデータ） (2024-12-05T15:09:51Z)
• Calibrated Adaptive Teacher for Domain Adaptive Intelligent Fault Diagnosis [6.675805308519987]
  教師なしのドメイン適応(UDA)は、ラベル付きデータがソースドメインで利用可能であり、ラベルなしデータがターゲットドメインでのみ利用可能であるシナリオを扱う。 本稿では,自己学習過程を通じて教師ネットワークの予測を校正する,Calibrated Adaptive Teacher (CAT) と呼ばれる新しいUDA手法を提案する。
  論文  参考訳（メタデータ） (2023-12-05T15:19:29Z)
• Adaptive Test-Time Personalization for Federated Learning [51.25437606915392]
  テスト時パーソナライズド・フェデレーション・ラーニング(TTPFL)と呼ばれる新しい設定を導入する。 TTPFLでは、クライアントはテスト期間中にラベル付きデータに頼ることなく、教師なしの方法でグローバルモデルをローカルに適応する。 本稿では,ソースドメイン間の分散シフトから,モデル内の各モジュールの適応率を適応的に学習する ATP という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-28T20:42:47Z)
• Offline Imitation Learning with Variational Counterfactual Reasoning [17.344961438658427]
  エージェントは、オフライン模倣学習(IL)において、オンライン環境を付加せずに最適な専門家の行動ポリシーを学習することを目的としている。 本稿では,アンダーライン・アンダーライン・インダーライン・インダーラインLearning with UnderlineCounterfactual Data UnderlineAugmentation (OILCA) by doing counterfactual Inferenceを提案する。
  論文  参考訳（メタデータ） (2023-10-07T06:52:18Z)
• Learning From Good Trajectories in Offline Multi-Agent Reinforcement Learning [98.07495732562654]
  オフラインマルチエージェント強化学習(MARL)は、事前コンパイルされたデータセットから効果的なマルチエージェントポリシーを学ぶことを目的としている。 オフラインのMARLが学んだエージェントは、しばしばこのランダムなポリシーを継承し、チーム全体のパフォーマンスを脅かす。 この問題に対処するために,共有個人軌道(SIT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:11:26Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)

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。