論文の概要: TRACE: Training-time Report-guided and Clinically Ordered Concept Editing

• arxiv url: http://arxiv.org/abs/2608.20809v1
• Date: Fri, 21 Aug 2026 07:26:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.436752
• Title: TRACE: Training-time Report-guided and Clinically Ordered Concept Editing
• Title（参考訳）: TRACE: トレーニングタイムレポートガイドと臨床オーダーによるコンセプト編集
• Authors: Wentao Yue, Tianyou Lai, Jiayu Luo, Qingyu Mao, Ziying Wang, Zhenyuan Ning, Qilei Li,
• Abstract要約: 本研究は,TRACE(Training-time Report-guided and Clinically Ordered Concept Editing)を提案する。 TRACEは、教師が指導する編集機構を通じて、画像由来の概念を洗練し、悪性度を意識した概念空間内に配置する。 我々は,SCMT(Strategic Concept Missing Training)を導入し,自動コンセプトリファインメントのための自動蒸留による画像のみのセルフエディターを訓練する。
• 参考スコア（独自算出の注目度）: 9.375094449682043
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast ultrasound diagnosis relies on clinically meaningful semantic concepts, yet most deep learning methods adopt end-to-end image-to-label paradigms that lack interpretability and robustness. While concept-based approaches offer a promising alternative, they often assume complete annotations or require multimodal inputs at inference, which significantly limits their real-world applicability. To tackle these issues, we propose Training-time Report-guided and Clinically Ordered Concept Editing (TRACE), a training-time report-guided framework that leverages structured radiology reports as privileged concept supervision while enabling image-only diagnosis at test time. TRACE refines image-derived concepts through a teacher-guided editing mechanism within a malignancy-aware ordered concept space. To address incomplete annotations, we introduce Strategic Concept Missing Training (SCMT) and train an image-only self-editor via edit distillation for autonomous concept refinement. Besides, we introduce BUSC, a concept-enriched benchmark linking images, labels, and structured attributes. Experiments across multiple datasets demonstrate that TRACE achieves superior performance and improved cross-domain robustness compared to existing methods.
• Abstract（参考訳）: 乳房超音波診断は臨床的に意味のある意味概念に依存しているが、ほとんどの深層学習法は、解釈性と堅牢性に欠けるエンドツーエンドの画像-ラベルのパラダイムを採用する。 概念に基づくアプローチは有望な代替手段を提供するが、多くの場合、完全なアノテーションを仮定するか、推論時にマルチモーダル入力を必要とする。 これらの課題に対処するため、我々は、構造化放射線学レポートを検査時に画像のみの診断を可能にしつつ、特権的概念監督として活用する訓練時レポート誘導概念編集(TRACE)を提案する。 TRACEは、教師が指導する編集機構を通じて、画像由来の概念を洗練し、悪性度を意識した概念空間内に配置する。 不完全なアノテーションに対処するため、我々はSCMT(Strategic Concept Missing Training)を導入し、自動概念洗練のための自動蒸留による画像のみのセルフエディターを訓練する。 さらに、画像、ラベル、構造化属性をリンクする概念に富んだベンチマークであるBUSCを紹介する。 複数のデータセットを対象とした実験では、TRACEは既存のメソッドと比較して優れたパフォーマンスとドメイン間の堅牢性を実現している。

関連論文リスト

• ConceptSeg-R1: Segment Any Concept via Meta-Reinforcement Learning [134.61875033137514]
  プロンプト可能なセグメンテーションの最近の進歩は、視覚知覚をオブジェクトレベルのローカライゼーションから概念レベルの理解へとシフトさせてきた。 我々は文脈非依存(CI)、文脈依存(CD)、文脈推論(CR)の概念からなる3段階の分類によって概念セグメンテーションを定式化する。 本稿では,概念セグメンテーションをルール誘発概念基盤として再構成する統合フレームワークであるConceptSeg-R1を提案する。
  論文  参考訳（メタデータ） (2026-05-19T18:35:38Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Training-Free Multi-Concept Image Editing [14.75123947134721]
  Concept Distillation Sampling (CDS)は、ターゲットレスマルチコンセプト画像編集のためのトレーニング不要のフレームワークである。 これは、高度に安定な蒸留バックボーンを統合することによって、従来の手法の言語的ボトルネックを克服する。 本手法は,所望の編集の参照サンプルを必要とせずに,インスタンスの忠実度を保存する。
  論文  参考訳（メタデータ） (2026-02-24T12:27:51Z)
• CoPA: Hierarchical Concept Prompting and Aggregating Network for Explainable Diagnosis [8.56688324078793]
  Concept Prompting and Aggregating (CoPA)は、プロンプトガイダンスの下で多層概念をキャプチャするために設計された新しいフレームワークである。 各レイヤからの視覚表現は、テキストの概念表現と整合するように集約される。 CoPAは3つのパブリックデータセット上で最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-10-04T10:29:15Z)
• Training-free Test-time Improvement for Explainable Medical Image Classification [11.320534249593171]
  医用画像分類のための訓練不要な混乱概念識別戦略を提案する。 提案手法は,ソース領域の精度を犠牲にすることなく,領域外の性能を向上させる。 本手法は皮膚と白血球の双方で有効である。
  論文  参考訳（メタデータ） (2025-06-22T15:37:13Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Mod-Adapter: Tuning-Free and Versatile Multi-concept Personalization via Modulation Adapter [57.49476151976054]
  テストタイムの微調整なしにオブジェクトと抽象概念を効果的にカスタマイズできるマルチコンセプトパーソナライズのためのチューニング不要な手法を提案する。 本手法は, 定量的, 質的, 人的評価によって支援された多概念パーソナライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-24T09:21:32Z)
• Cross-Modal Conceptualization in Bottleneck Models [21.2577097041883]
  概念ボトルネックモデル(CBM)は、訓練例(例えば、x線画像)が高レベルの概念で注釈付けされていると仮定する。 このアプローチでは、より穏健な仮定を採用し、代わりに、訓練中の画像に付随するテキスト記述を用いて概念の導出を誘導する。 我々のクロスモーダルアプローチは,概念を離散潜在変数として扱い,(1)ラベルの予測,(2)画像とテキストの両方から確実に予測できる概念を促進する。
  論文  参考訳（メタデータ） (2023-10-23T11:00:19Z)

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。