論文の概要: Option-Aware Retrieval and Task-Specific VLM Adaptation for Medical VQA

• arxiv url: http://arxiv.org/abs/2609.15530v1
• Date: Mon, 14 Sep 2026 13:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.410849
• Title: Option-Aware Retrieval and Task-Specific VLM Adaptation for Medical VQA
• Title（参考訳）: 医療用VQAのためのオプション対応検索とタスク特化VLM適応
• Abstract要約: We describe our submit to the MedReason 2026 Challenge, covered multiple-choice (MCQ) and open-ended (OE) medical visual questioning (VQA)。 我々の最初の発見は、MCQ検索は、回答ラベルよりも回答表現を比較すべきであるということです。 タスク固有のMCQ Low-Rank Adaptation (LoRA) アダプタを固定し、オンプロンプト検索した例の数(k)を少なくとも1ケースで変更する。
• 参考スコア（独自算出の注目度）: 0.0611737116137921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe our submission to the MedReason 2026 challenge, covering multiple-choice (MCQ) and open-ended (OE) medical visual question answering (VQA) under fully offline, containerized inference. Our first finding is that MCQ retrieval must compare answer \emph{semantics} rather than answer labels: labels are independently assigned per question, so copying a retrieved neighbor's label transfers no useful information, whereas scoring each current option's text against correct-answer text from similar training cases raises retrieval-only accuracy from 20.0\% to 57.5\% on a 200-case retrieval-excluded development holdout. Our second finding attributes the submitted system's accuracy: holding the task-specific MCQ Low-Rank Adaptation (LoRA) adapter fixed and varying the number \(k\) of in-prompt retrieved examples changes accuracy by at most one case --- 187/200 (93.5\%) at both \(k=0\) and the adapter's training-time \(k=1\), 188/200 (94.0\%) at the packaged runtime's default \(k=3\) --- and the submitted confidence-gated override adds no net accuracy on top of \(k=3\), selecting the VLM in 198/200 cases. With the final MCQ adapter fixed, retrieval changes accuracy by at most one case, and gating provides no net gain. On 20 OE cases, token-F1 and RaTEScore~\cite{zhao2024ratescore} decrease as \(k\) grows, but paired sign tests on token-F1 differences are nonsignificant (\(p \ge 0.29\)); a single-annotator comparison found 6/20 wrong-anchor errors for the final configuration and 14/20 for an earlier configuration that jointly differed in routing, adapter, and prompting. The system reaches 94.0\% MCQ accuracy on the development holdout and 93.20\% on the organizer's official pre-evaluation, versus 29.43\% for the off-the-shelf reference baseline, while both of the organizer's open-ended scores are lower than that baseline's (ground-truth agreement 1.245 versus 1.588, visual accuracy 1.995 versus 2.696, each out of 4).
• Abstract（参考訳）: 我々はMedReason 2026チャレンジに応募し、完全にオフラインでコンテナ化された推論の下で、Multiple-choice (MCQ) とopen-ended (OE) の医療視覚質問応答 (VQA) をカバーした。 最初の発見は、MCQ検索は回答ラベルではなく、回答の「emph{semantics}」を比較すべきである:ラベルは質問ごとに個別に割り当てられているので、検索した隣人のラベルをコピーすることは役に立たないが、類似のトレーニングケースから、各現在のオプションのテキストを正解テキストと比較すると、20.0\%から57.5\%まで精度が上昇する。 タスク固有のMCQ Low-Rank Adaptation (LoRA)アダプタを固定し、インプロンプトされた例の数値 \(k\) を変更すると、少なくとも1つのケース --- 187/200 (93.5\%) と、パッケージドランタイムのデフォルト \(k=1\), 188/200 (94.0\%) の両方で、アダプタのトレーニング時間 \(k=1\), 188/200 (94.0\%) の精度が変化する。 最終MCQアダプタを固定すると、検索精度は少なくとも1つのケースで変化し、ゲーティングはネットゲインを提供しない。 トークン-F1 と RaTEScore~\cite{zhao2024ratescore} は \(k\) が成長するにつれて減少するが、トークン-F1 の差のペアの符号テストは非有意である(\(p \ge 0.29\))。 このシステムは開発ホールドアウトで94.0\%のMCQ精度、オーガナイザの公式事前評価で93.20\%、オフ・ザ・シェルフ基準ベースラインで29.43\%に達するが、オーガナイザのオープンエンドスコアはどちらもベースラインよりも低い(グラウンドトルース契約1.245対1.588、視覚的精度 1.995対2.696)。

関連論文リスト

• Candidate-Expanding Routing with Permutation-Stabilized Experts for Mixed-Format Medical VQA [2.313903538324245]
  VQA(Mixed-format Medical visual question answering)は、安定したオプション選択と機械可読な自由テキスト出力を必要とする。 両課題を,応答テキストメモリ,置換安定化専門家,スパース候補拡張ルータを用いて解決する。
  論文  参考訳（メタデータ） (2026-09-01T09:18:19Z)
• Same Agent, Different Answers: A Repeat-Aware Audit of Corpus-Induced Answer Churn in Retrieval-Augmented QA [0.4351760066527804]
  検索強化されたQAシステムは、要求されたモデル識別子、プロンプト、検索ポリシー、エビデンス深さ、レンダリング、露出した生成制御が固定された場合でも、インデックス展開後に異なる回答を返すことができる。 我々は、隠れた現象の正確さを正解とみなし、クロスショットの相違から反則を減じて過剰な解答を推定するemphSnapshot Compatibility Auditを導入する。
  論文  参考訳（メタデータ） (2026-08-24T06:40:09Z)
• Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation [51.56484100374058]
  Stage-replayは中間トークンプレフィックスを再構築し、プレフィックスに最初に到達したデコーダ状態からの継続として、新しいプリフィル継続を処理する。 一致した200itemの実験では、保持されたライブキャッシュと同一の整数トークンのワンショットプリフィルを比較し、両側に正確なレプリカを配置する。
  論文  参考訳（メタデータ） (2026-07-30T16:41:40Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• AgentFinVQA: A Deployable Multi-Agent Pipeline for Auditable Financial Chart QA [7.135926644099901]
  我々はAgentFinVQAを提案する。AgentFinVQAはマルチエージェントパイプラインで、各クエリをプランニング、OCR、レジェンドグラウンド、ビジュアルインスペクション、検証に分解する。 FinMMEでは、AgentFinVQAはプロプライエタリなバックボーンを持つゼロショットベースラインにマッチするプライマリバックボーンよりも$+7.68$ ppを改善している。 誤り分析は、疑問の誤解、伝説の混乱、抽出誤りが失敗の3分の2近くを占めていることを示している。
  論文  参考訳（メタデータ） (2026-06-18T04:33:07Z)
• Multi-Label Test-Time Adaptation with Bayesian Conditional Priors [15.878958356965159]
  Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-11T05:29:00Z)
• FineVerify: Scaling Test-Time Compute with Fine-Grained Self-Verification for Agentic Search [88.16262636915975]
  FineVerifyはエージェント検索のためのきめ細かい自己検証フレームワークである。 各質問をチェック可能なサブクエストに分解し、サンプル候補を検証し、最も高い集計スコアの候補を選択する。 FineVerifyは、標準のスケーリングベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-30T10:21:20Z)
• Beyond Multiple Choice: Verifiable OpenQA for Robust Vision-Language RFT [25.508458982314284]
  複数選択質問応答(MCQA)は、現代のマルチモーダル言語モデルのRFTの評価と強化のための一般的なフォーマットである。 ReVeL(ReVeL)は,複数の質問をオープンな質問に書き換えるフレームワークである。
  論文  参考訳（メタデータ） (2025-11-21T17:06:37Z)
• Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
  本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。 我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
  論文  参考訳（メタデータ） (2022-04-04T05:16:41Z)
• Cross-domain Speech Recognition with Unsupervised Character-level Distribution Matching [60.8427677151492]
  2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。 Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
  論文  参考訳（メタデータ） (2021-04-15T14:36:54Z)
• Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
  本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。 本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。 特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
  論文  参考訳（メタデータ） (2020-12-03T02:07:43Z)

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。