論文の概要: M$^2$PFN: End-to-End Disentangled Alignment for Generalizable Multimodal In-Context Learning in Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2609.28836v1
• Date: Wed, 23 Sep 2026 23:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.598174
• Title: M$^2$PFN: End-to-End Disentangled Alignment for Generalizable Multimodal In-Context Learning in Alzheimer's Disease
• Title（参考訳）: M$^2$PFN: アルツハイマー病における一般化可能な多モードインコンテキスト学習のための終端対角アライメント
• Abstract要約: テキスト内学習は優れた一般化性能を示した。 M$2$PFNは、TabPFNをマルチモーダルAD予測器に変換するエンドツーエンドフレームワークである。 M$2$PFNは$65.55%$ macro-F1と$82.21%$ macro-AUCを達成し、総じてUnimodalとMultimodalのベースラインを超えた。
• 参考スコア（独自算出の注目度）: 5.863405237491179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While various multimodal methods combining imaging and tabular data for Alzheimer's disease (AD) diagnosis were proposed, they are often limited in generalization across cohorts. In-context learning (ICL) has demonstrated excellent generalization performances and high flexibility in foundational tabular models such as TabPFN. To extend TabPFN's ICL to multimodal AD analysis, the main obstacle is that TabPFN is meta-trained on synthetic tabular priors that do not naturally match the statistical structure of image-derived features. We propose M$^2$PFN, an end-to-end framework that turns this tabular foundation model into a multimodal AD predictor. M$^2$PFN (i) performs differentiable inference through TabPFN's transformer, back-propagating task gradients into 3D-MRI and tabular encoders; (ii) aligns the two modalities into a shared subspace, via disentanglement and a contrastive objective, matched to the ICL engine's prior; and (iii) folds in a frozen tabular-only prediction through a learnable gated shortcut. Because the ICL engine stays frozen, its in-context mechanism is preserved for test-time generalization, while end-to-end training shapes the encoders into features it can exploit. On ADNI ($n=2240$, three-class CN/MCI/AD), M$^2$PFN attains $65.55\%$ macro-F1 and $82.21\%$ macro-AUC, surpassing a comprehensive set of unimodal and multimodal baselines. By swapping only the head for a TabPFN regressor, the same architecture regresses baseline MMSE on a $1250$-subject sub-cohort to test MAE $1.743$, outperforming every multimodal baseline. On two external cohorts (OASIS-3 and SCAN) with no retraining, M$^2$PFN achieves the best AUC and the lowest MMSE MAE across all baselines, and transfers even when the cognitive instrument changes.
• Abstract（参考訳）: アルツハイマー病(AD)の診断に画像と表層データを組み合わせた多モード法が提案されているが、コホート全体にわたって一般化に制限されることが多い。 In-context Learning (ICL) は、TabPFNのような基本的な表形式モデルにおいて、優れた一般化性能と高い柔軟性を示した。 TabPFNのICLをマルチモーダルAD解析に拡張するためには、TabPFNは画像由来の特徴の統計的構造に自然にマッチしない合成表形式でメタトレーニングされている。 M$^2$PFNは、この表形式の基礎モデルをマルチモーダルAD予測器に変換するエンドツーエンドフレームワークである。 M$^2$PFN i) TabPFN の変換器,3D-MRI および表型エンコーダへのバックプロパゲーションタスク勾配による微分可能な推論を行う。 2) 2つのモダリティを共用部分空間に整列し、ICLエンジンの先行と一致した歪曲と対照的な目的により整列する。 (iii)学習可能なゲートショートカットを通じて、凍結した表形式のみの予測で折り畳まれる。 ICLエンジンは凍結状態にあるため、そのコンテキスト内メカニズムはテスト時の一般化のために保持され、エンドツーエンドのトレーニングはエンコーダを利用可能な機能に形作る。 ADNI$2240$, three-class CN/MCI/ADでは、M$^2$PFNは65.55\%$ macro-F1 と 82.21\%$ macro-AUC を獲得し、一様および多様基線の包括的集合を超えた。 ヘッドのみをTabPFNレグレシタに交換することで、同じアーキテクチャはベースラインMMSEを1250ドルのサブコホートで処理し、MAEを1.743ドルでテストし、全てのマルチモーダルベースラインを上回った。 再トレーニングのない2つの外部コホート(OASIS-3とSCAN)では、M$^2$PFNは全てのベースラインで最高のAUCと最低のMMSE MAEを達成し、認知機器が変化しても転送する。

関連論文リスト

• LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
  LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。 本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。 その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
  論文  参考訳（メタデータ） (2026-06-03T06:07:33Z)
• How to Scale Mixture-of-Experts: From muP to the Maximally Scale-Stable Parameterization [45.69980208532521]
  3つの異なるスケーリング体制を解析することで、このギャップを解決するための原則的な一歩を踏み出します。 各体制に対して,MoEsの制限的トレーニング力学に関する新しい力学平均場理論(DMFT)を考案する。 結果として生じる$Pの処方は、スケールや頑健な学習速度の移動による単調な改善を確実に引き起こさないことを示す。
  論文  参考訳（メタデータ） (2026-05-13T23:32:00Z)
• Tabular LLMs for Interpretable Few-Shot Alzheimer's Disease Prediction with Multimodal Biomedical Data [43.4291712919395]
  TAP-GPT Tabular Alzheimer's Prediction GPTを提案する。 QT-PADバイオマーカーや領域レベルの構造MRI,アミロイドPET,タウPETなど,ADNI由来の4つのデータセットを対象としたTAP-GPTの評価を行った。 そこで本研究では,TAP-GPTはシミュレーションおよび実世界の欠如下で安定な性能を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-17T22:43:50Z)
• MultiModalPFN: Extending Prior-Data Fitted Networks for Multimodal Tabular Learning [3.5939555573102857]
  我々はTabPFNを拡張したMMPFN(Multi-Modal Prior-data Fitted Network)を提案する。 MMPFNは、モダリティ・エンコーダ、モダリティ・プロジェクタ、事前訓練された基礎モデルから構成される。 医学および汎用マルチモーダルデータセットの実験は、MMPFNが一貫して競合する最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-02-23T13:37:44Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• iLTM: Integrated Large Tabular Model [41.81329403540607]
  iLTMは、木由来の埋め込み、次元に依存しない表現、メタトレーニングされたハイパーネットワーク、多層パーセプトロン、単一のアーキテクチャ内での検索を統一する統合された大型タブラルモデルである。
  論文  参考訳（メタデータ） (2025-11-20T00:20:16Z)
• MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping [52.02659589971978]
  我々は,MoE MLLM推論を効果的かつ正確なものにするために,専門家を適応的にスキップする最初のトレーニングフリーフレームワークであるMoDESを提案する。 MoDESは推論速度を大幅に向上させ、プリフィルタイムを2.16$times$、デコードタイムを1.26$times$に改善する。
  論文  参考訳（メタデータ） (2025-11-19T18:48:27Z)
• $λ$-ECLIPSE: Multi-Concept Personalized Text-to-Image Diffusion Models by Leveraging CLIP Latent Space [61.091910046492345]
  $lambda$-ECLIPSEは、拡散UNetモデルに頼ることなく、事前訓練されたCLIPモデルの潜在空間で動作する。 $lambda$-ECLIPSEは、たった34Mパラメータでマルチオブジェクト駆動のP-T2Iを実行し、わずか74GPU時間でトレーニングされる。
  論文  参考訳（メタデータ） (2024-02-07T19:07:10Z)
• Theoretical Convergence of Multi-Step Model-Agnostic Meta-Learning [63.64636047748605]
  一般的なマルチステップMAMLアルゴリズムに対して収束保証を提供するための新しい理論フレームワークを開発する。 特に,本研究の結果は,収束を保証するためには,内部段階のステップを逆比例して$N$の内段ステップを選択する必要があることを示唆している。
  論文  参考訳（メタデータ） (2020-02-18T19:17:54Z)

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。