論文の概要: Layer-Wise Gate-Controlled Prompt Truncation in a Multimodal Chest X-Ray Classifier

• arxiv url: http://arxiv.org/abs/2609.06590v1
• Date: Sun, 06 Sep 2026 13:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.268779
• Title: Layer-Wise Gate-Controlled Prompt Truncation in a Multimodal Chest X-Ray Classifier
• Title（参考訳）: マルチモーダル胸部X線分類器における層幅ゲート制御プロンプトトランケーション
• Abstract要約: 二重胸部X線分類試験において, 層幅のゲーティング拡張について検討した。 コントローラは、各サンプルの保持率を予測し、これらの比率をミニバッチ内で平均し、その結果の整数長を用いて、静的かつ混合された視覚的プロンプトを切断する。 ゲートモデルの精度は0.8996であり、固定長のベースラインでは0.8969であった。
• 参考スコア（独自算出の注目度）: 0.29220618839527807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixture of Prompt Experts (MoPE) adapts multimodal transformers through input-dependent prompt composition, while retaining a fixed prompt length. We investigate a layer-wise gating extension in a binary chest X-ray classification pilot study. The controller predicts a retention ratio for each sample, averages these ratios within a mini-batch, and uses the resulting integer length to truncate the static and mixed visual prompts. Retained mixed prompts are also scaled by the individual ratios. In one recorded run per configuration, the gated model reached a best validation accuracy of 0.8996, compared with 0.8969 for the fixed-length baseline; the corresponding final values were 0.8963 and 0.8802. The exported gate statistics imply a retained length of one at all recorded training points, relative to a configured maximum of six. This reduces the complete visual sequence from 210 to 200 tokens, but no direct runtime measurements establish an acceleration benefit. Report-derived labels, report text as input, sequential data partitioning, and the absence of repeated controlled experiments limit interpretation. The findings document prompt shortening under the configured gate penalty; they do not establish sample-specific length allocation, superiority over fixed short prompts, or clinical utility. Code is available at: https://github.com/jingtaolei/mope-dynamic-prompt-truncation.
• Abstract（参考訳）: プロンプトエキスパート(MoPE)の混合は、入力依存のプロンプト合成により、固定されたプロンプト長を保持しながら、マルチモーダルトランスフォーマーを適応させる。 二重胸部X線分類試験において, 層幅のゲーティング拡張について検討した。 コントローラは、各サンプルの保持率を予測し、これらの比率をミニバッチ内で平均し、その結果の整数長を用いて、静的かつ混合された視覚的プロンプトを切断する。 保持された混合プロンプトも個々の比率によってスケールされる。 1つの記録では、ゲートモデルは0.8996、固定長ベースラインは0.8969、最終値は0.8963、0.8802であった。 エクスポートされたゲート統計は、設定された最大6つのトレーニングポイントに対して、すべての記録されたトレーニングポイントで1の保持期間を意味する。 これにより、完全なビジュアルシーケンスを210トークンから200トークンに短縮するが、直接実行時の測定によってアクセラレーションのメリットが確立されることはない。 レポート由来ラベル、テキストを入力としてレポートする、シーケンシャルなデータパーティショニング、繰り返し制御された実験の欠如は解釈を制限する。 調査文書は, 設定されたゲートペナルティの下での短縮を促進し, サンプル特異的な長さ割り当て, 固定されたショートプロンプトよりも優越性, 臨床的有用性を確立しない。 コードは、https://github.com/jingtaolei/mope-dynamic-prompt-truncation.comで入手できる。

関連論文リスト

• Do System Prompts Leave Behavioral Fingerprints? A Large-Scale Empirical Study of Clone Detection via Output Similarity [12.32748486531306]
  システムプロンプトのためのBBF(Black-Box Behavioral Fingerprinting)を提案する。 BBFはモデル出力から振る舞いのシグネチャを登録し、後に被疑者のデプロイメントがそのシグネチャと一致するかどうかをテストする。 BBFは非適応的なプロンプトパラフレーズ(AUC $geq 0.889$)に抵抗し、不完全な抽出に頑健である。
  論文  参考訳（メタデータ） (2026-08-25T12:12:22Z)
• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• Grokking Is Conditional and Fragile: A Fully-Tractable, Multi-Seed Study at 12K Parameters [0.0]
  グルーキングは単一の結果ではなく、マルチシードレートとして研究する。 この完全に牽引可能な状態グルーキングは条件付き、脆弱な相転移である。
  論文  参考訳（メタデータ） (2026-07-06T13:58:31Z)
• Compliance-Scored Best-of-N Guardrail Orchestration for Multimodal Document Generation in Payments Dispute Defense [0.0]
  企業文書の大量生成には、財務紛争の物語、コンプライアンス通知、監査要約が含まれる。 統一されたガードレール層の前に、プロダクションシステムはしばしば別々のPIIリアクション、コンテンツモデレーション、フォーマット検証ステップを縫い合わせていた。 本稿では,テキストと画像入力のためのガードレールオーケストレーションレイヤを提案する。
  論文  参考訳（メタデータ） (2026-06-01T00:24:30Z)
• EndPrompt: Efficient Long-Context Extension via Terminal Anchoring [62.81677226065374]
  本稿では,短いトレーニングシーケンスのみを用いて,効果的なコンテキスト拡張を実現する手法であるEndPromptを提案する。 我々は、元の短いコンテキストを無傷の第1セグメントとして保存し、短い端末プロンプトを第2セグメントとして追加し、ターゲットコンテキスト長の近傍に位置指標を割り当てる。 エンドプロンプトの平均RULERスコアは76.03で、LongBenchでは最高であり、LCEG(72.24)、LongLoRA(72.95)、フル長のファインチューニングを上回っている。
  論文  参考訳（メタデータ） (2026-05-14T09:00:03Z)
• Prompt Framing Distorts Count-Based Evaluation of LLM Error Detection: Evidence from Numeric Anchoring [0.16921396880325776]
  本稿では,F1をカウントベースとしたF1が,ローカライゼーションの改善を伴わずに劇的に上昇することを示す。 ErrorBenchは、プロンプト誘起カウント歪みの制御されたストレステストプロトコルである。 本研究は,GPT/Claudeシステムにおいて,GPT/Claudeシステムにおいてより大きいカウント応答と,このストレステストプロトコル下でのジェミニファミリーでのより小さな応答を見出した。
  論文  参考訳（メタデータ） (2026-05-03T12:21:42Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Scaling Test-Time Compute for Agentic Coding [126.72747643609274]
  本稿では,ロールアウト軌跡のコンパクトな表現に基づくエージェントコーディングのためのテスト時間スケーリングフレームワークを提案する。 当社のフレームワークは,各ロールアウトを,その健全な仮説,進捗,障害モードを保存する構造的な要約に変換する。 提案手法は,SWE-Bench Verified および Terminal-Bench v2.0 におけるフロンティア符号化エージェントの性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-16T17:39:33Z)
• From Flows to Words: Can Zero-/Few-Shot LLMs Detect Network Intrusions? A Grammar-Constrained, Calibrated Evaluation on UNSW-NB15 [0.41998444721319217]
  大規模言語モデル(LLM)は自然言語入力を推論できるが、微調整なしでの侵入検出におけるそれらの役割は未だ不明である。 本研究では、各ネットワークフローをコンパクトなテキストレコードに変換し、軽量でドメインにインスパイアされたフラグで拡張することで、プロンプトオンリーなアプローチを評価する。 ゼロショット,命令誘導,スプリットショットを比較して,同一のスプリット下での強い神経ベースライン,精度,精度,リコール,F1,マクロスコアを比較した。
  論文  参考訳（メタデータ） (2025-10-18T02:11:50Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Length-Adaptive Transformer: Train Once with Length Drop, Use Anytime with Search [84.94597821711808]
  我々は,PoWER-BERT(Goyal et al., 2020)を拡張し,一発訓練後に様々な推論シナリオに使用できる長適応変換器を提案する。 我々は,任意の計算予算の下で,精度を最大化し,効率の指標を最小化する長さ構成を求めるために,多目的進化探索を行う。 提案手法の有効性を実証的に検証し,各種設定下での精度・効率のトレードオフを実証する。
  論文  参考訳（メタデータ） (2020-10-14T12:28:08Z)

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。