論文の概要: VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening

• arxiv url: http://arxiv.org/abs/2607.26042v1
• Date: Tue, 28 Jul 2026 17:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.954265
• Title: VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening
• Title（参考訳）: VetClaw:獣病スクリーニングのためのエッジクラウドマルチモーダルエージェントシステム
• Authors: Syed Mhamudul Hasan, Anas AlSobeh, Hussein Zangoti, Abdur R. Shahid,
• Abstract要約: We present VetClaw, a edge-cloud multimodal agentic system for early veterinary disease screening。 VetClawは、エッジセンシングデバイスとしてカメラモジュールを使用し、キャプチャされた画像とオプションの症状記述を、ゼロショット病の分類のためにサーバーがホストする視覚言語モデルに送信する。 この設計は、視覚的エビデンスを収集し、外部モデルを実行し、決定論的安全性ルールを適用し、診断対応アラートを生成することによって、静的画像分類を超えて進んでいる。
• 参考スコア（独自算出の注目度）: 0.612477318852572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present VetClaw, an edge-cloud multimodal agentic system for early veterinary disease screening. VetClaw uses a camera module as an edge sensing device and sends captured images, together with optional symptom descriptions, to a server-hosted vision-language model for zero-shot disease classification. The system separates agent interaction from workflow orchestration: OpenClaw provides scheduling, tool access, user interaction, and notification services on the edge device, while LangGraph manages the stateful screening workflow, including input validation, image transmission, model invocation, safety checks, conditional routing, failure handling, and structured logging. This design moves beyond static image classification by enabling the system to collect visual evidence, invoke external models, apply deterministic safety rules, and generate diagnostic-support alerts. Results show that image-only VLM prediction remains limited, whereas symptom-guided and multimodal inputs improve zero-shot classification performance. Thus, VetClaw transforms a static prediction model into a coordinated, safety-aware system that can use tools, manage workflows, handle failures, and escalate uncertain cases.
• Abstract（参考訳）: We present VetClaw, a edge-cloud multimodal agentic system for early veterinary disease screening。 VetClawは、エッジセンシングデバイスとしてカメラモジュールを使用し、キャプチャされた画像とオプションの症状記述を、ゼロショット病の分類のためにサーバーがホストする視覚言語モデルに送信する。 OpenClawはエッジデバイス上でスケジューリング、ツールアクセス、ユーザインタラクション、通知サービスを提供し、一方LangGraphは入力検証、画像送信、モデル呼び出し、安全性チェック、条件付きルーティング、障害処理、構造化ロギングを含むステートフルなスクリーニングワークフローを管理している。 この設計は、視覚的エビデンスを収集し、外部モデルを実行し、決定論的安全性ルールを適用し、診断対応アラートを生成することによって、静的画像分類を超えて進んでいる。 その結果、画像のみのVLM予測は限定的であり、症状誘導とマルチモーダル入力はゼロショット分類性能を向上させることがわかった。 このように、VetClawは静的予測モデルを、ツールの使用、ワークフローの管理、障害の処理、不確実なケースのエスカレーションが可能な、コーディネートされた安全対応システムに変換する。

関連論文リスト

• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• VisualAD: Language-Free Zero-Shot Anomaly Detection via Vision Transformer [18.348454274148185]
  ゼロショット異常検出(ZSAD)では、ターゲットクラスの異常サンプルにアクセスせずに異常を検出し、位置を特定する必要がある。 この作業は、ZSADのテキストブランチの必要性を再考し、ビジョントランスフォーマー上に構築された純粋に視覚的なフレームワークであるVisualADを提示する。 VisualADは、産業ドメインと医療ドメインにまたがる13のゼロショット異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-09T04:33:56Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• MadCLIP: Few-shot Medical Anomaly Detection with CLIP [14.023527193608142]
  医療データに事前訓練されたCLIPモデルを活用する,革新的な数発の異常検出手法を提案する。 学習可能なアダプタを用いて,正常な特徴と異常な特徴を別々に捉えるために,デュアルブランチ設計を提案する。 セマンティックアライメントを改善するために、学習可能なテキストプロンプトを使用して視覚的特徴をリンクする。
  論文  参考訳（メタデータ） (2025-06-30T12:56:17Z)
• SentinelAgent: Graph-based Anomaly Detection in Multi-Agent Systems [11.497269773189254]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)に適したシステムレベルの異常検出フレームワークを提案する。 本稿では,エージェント間相互作用を動的実行グラフとしてモデル化し,ノード,エッジ,パスレベルでの意味的異常検出を可能にするグラフベースのフレームワークを提案する。 第2に,セキュリティポリシとコンテキスト推論に基づくMAS実行の監視,解析,介入を行うLLMによる監視エージェントである,プラグイン可能なSentinelAgentを導入する。
  論文  参考訳（メタデータ） (2025-05-30T04:25:19Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• AMNCutter: Affinity-Attention-Guided Multi-View Normalized Cutter for Unsupervised Surgical Instrument Segmentation [7.594796294925481]
  我々は,Multi-View Normalized Cutter(m-NCutter)という新しいモジュールを特徴とするラベルフリーな教師なしモデルを提案する。 本モデルでは, パッチ親和性を利用したグラフカット損失関数を用いて, 疑似ラベルの不要化を図った。 我々は、複数のSISデータセットにわたる包括的な実験を行い、事前訓練されたモデルとして、アプローチの最先端(SOTA)パフォーマンス、堅牢性、および例外的なポテンシャルを検証する。
  論文  参考訳（メタデータ） (2024-11-06T06:33:55Z)
• CleanCLIP: Mitigating Data Poisoning Attacks in Multimodal Contrastive Learning [63.72975421109622]
  CleanCLIPは、バックドア攻撃によって引き起こされる学習された刺激的関連を弱める微調整フレームワークである。 CleanCLIPは、マルチモーダル・コントラッシブ・ラーニングに対するバックドア・アタックを根絶しながら、良質な例によるモデル性能を維持している。
  論文  参考訳（メタデータ） (2023-03-06T17:48:32Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)

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。