論文の概要: TIER-MoE: Trust-Informed Expert Routing via Conditional Modality Risk for Multimodal Fusion in Biomedical Classification

• arxiv url: http://arxiv.org/abs/2607.27289v1
• Date: Wed, 29 Jul 2026 14:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.284657
• Title: TIER-MoE: Trust-Informed Expert Routing via Conditional Modality Risk for Multimodal Fusion in Biomedical Classification
• Title（参考訳）: TIER-MoE: バイオメディカル分類におけるマルチモーダル核融合の条件的モダリティリスクによる信頼インフォームドエキスパートルーティング
• Abstract要約: 提案するTIER-MoEはリスク誘導型サブスペース・オブ・エキスパートモデルであり,サンプル固有のモダリティの信頼性を規定する。 TIER-MoEは,アルツハイマー病,皮膚・レジオン悪性度,網膜分類の4つの公用多モードバイオメディカルデータセットで評価した。
• 参考スコア（独自算出の注目度）: 17.05370605692998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The promise of multimodal fusion lies in combining complementary sources of evidence, yet more evidence does not always yield a better prediction. Recent multimodal models have advanced fusion through richer cross-modal interaction and sample-adaptive fusion. However, the influence assigned to a modality during fusion does not reveal whether that source is unreliable, redundant, or poorly matched to a specialized expert. To address this limitation, we introduce TIER-MoE, a risk-guided subspace mixture-of-experts model that defines sample-specific modality reliability as the prediction loss its unimodal predictor is expected to incur. This risk is learned from out-of-fold predictions generated by models that were not trained on the corresponding sample. TIER-MoE combines the estimated risk with expert-specific subspace compatibility for sparse modality-expert routing, while an always-active shared path preserves multimodal complementarity. We evaluate TIER-MoE on four public multimodal biomedical datasets spanning Alzheimer's disease status, skin-lesion malignancy, and retinal classification. Results demonstrate its superiority over state-of-the-art methods in predictive performance and probability calibration, with consistent improvements in Macro-F1 and Brier score and strong zero-shot generalization to an external cohort.
• Abstract（参考訳）: マルチモーダル融合の約束は、相補的な証拠源を組み合わせることにあるが、より多くの証拠が常により良い予測をもたらすとは限らない。 近年のマルチモーダルモデルでは、よりリッチなクロスモーダル相互作用とサンプル適応融合によって融合が進んでいる。 しかし、融合中にモダリティに割り当てられた影響は、そのソースが専門の専門家と信頼できないか、冗長であるか、あるいは不十分であるかを明らかにしていない。 この制限に対処するために, TIER-MoE というリスク誘導型サブスペース・オブ・エキスパートモデルを導入し, サンプル固有のモダリティの信頼性を予測損失として定義する。 このリスクは、対応するサンプルでトレーニングされていないモデルによって生成された、折りたたみ式の予測から学習される。 TIER-MoEは、推定リスクと、スパースモード-エキスパートルーティングのための専門家固有のサブスペース互換性を組み合わせ、常にアクティブな共有パスはマルチモーダル補完性を保持する。 TIER-MoEは,アルツハイマー病,皮膚・レジオン悪性度,網膜分類の4つの公用多モードバイオメディカルデータセットで評価した。 その結果、マクロF1とブライアのスコアが一貫した改善と、外部コホートへのゼロショットの強い一般化により、予測性能と確率キャリブレーションにおける最先端手法よりも優れていることが示された。

関連論文リスト

• Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities [12.806056204055393]
  欠落モード下でのマルチモーダル生存予測のためのEvidential Missing Modality Survival Fusionモデルを提案する。 EMMSは、欠落したデータに生成フェーズを必要とせずに、サバイバル分析に単純で効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-06-18T09:16:00Z)
• Beyond Surface Artifacts: Capturing Shared Latent Forgery Knowledge Across Modalities [52.189426539304065]
  本稿では,従来の「機能融合」から「モダリティ一般化」に再定義するパラダイムシフトを提案する。 モーダリティ固有のスタイルを明示的に分離することにより,MAFは必須かつ非モーダルな潜在フォージェリー知識を正確に抽出する。
  論文  参考訳（メタデータ） (2026-04-09T03:35:21Z)
• Embracing Aleatoric Uncertainty in Medical Multimodal Learning with Missing Modalities [9.064442992807264]
  本稿では,不確かさに対処するために,非定型的不確実性を明確に定量化するAUM(Aleatoric Uncertainity Modeling)を提案する。 本フレームワークは,MIMIC-IV死亡予測におけるAUC-ROCの2.26%,eICUでは2.17%向上した。
  論文  参考訳（メタデータ） (2026-01-29T16:31:48Z)
• AdaMHF: Adaptive Multimodal Hierarchical Fusion for Survival Prediction [29.11927806428086]
  AdaMHFは、効率的で包括的で調整された特徴抽出と融合のために設計されたフレームワークである。 これは医療データのユニークさに特化しており、最小限のリソース消費で正確な予測を可能にする。 TCGAデータセットに対する大規模な実験は、AdaMHFが現在の最先端の手法を超越していることを示している。
  論文  参考訳（メタデータ） (2025-03-27T03:27:55Z)
• EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers [13.518282190712348]
  EsurvFusionは、決定レベルでマルチモーダルデータを組み合わせるように設計されている。 信頼性の割引層を通じてモダリティレベルの信頼性を推定する。 これは、不確実性と信頼性の両方でマルチモーダルサバイバル分析を研究する最初の研究である。
  論文  参考訳（メタデータ） (2024-12-02T07:35:29Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。