論文の概要: From Reward Signal to Visual Utility: A Controlled Audit of Medical VLM Post-Training

• arxiv url: http://arxiv.org/abs/2609.31450v1
• Date: Fri, 25 Sep 2026 16:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.48076
• Title: From Reward Signal to Visual Utility: A Controlled Audit of Medical VLM Post-Training
• Title（参考訳）: Reward Signal から Visual Utility: A Controled Audit of Medical VLM Post-Training
• Abstract要約: 教師付き微調整(SFT)と低ランク適応(LoRA)を比較した。 2,000のクリーンテスト質問に対して、言語モデルLoRA SFTは正像精度を+1.10ポイント変更した。 広範適応は言語モデルLoRA SFTよりも低い正像精度が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical vision-language model (VLM) post-training is commonly evaluated through answer accuracy. We examine how changes in accuracy and training objectives relate to image-conditioned decisions in a controlled Qwen2.5-VL-3B study on PMC-VQA. We compare supervised fine-tuning (SFT) with low-rank adaptation (LoRA) restricted to the language model, expanded multimodal adaptation scopes, standard answer-only Group Relative Policy Optimization (GRPO), and a counterfactual evidence objective. On 2,000 clean-test questions, language model LoRA SFT changes correct-image accuracy by +1.10 percentage points (95% paired bootstrap CI:-0.85 to +3.05), while visual-benefit events decrease by 2.40 points and image sensitivity decreases by 5.60 points. Paired records reveal 155 acquired and 203 lost visual-benefit events. Broader adaptation yields lower correct-image accuracy than language-model LoRA SFT. Standard GRPO produces mixed-reward groups and parameter updates, with an uncertain clean test accuracy change. A generation audit reveals that canonical option scores can follow a different token path from generated answers. With scores taken along the greedy generation path, the evidence target improves on the training set; its gains over standard GRPO remain inconsistent on validation data at matched training doses. Sample-level analyses trace how evidence scores, decision margins, and generated answers change during post-training. This empirical and measurement audit identifies gaps between optimization activity, target acquisition, and useful held-out visual behavior.
• Abstract（参考訳）: 医用視覚言語モデル(VLM)の術後訓練は,回答の精度によって評価される。 PMC-VQAにおけるQwen2.5-VL-3Bの精度変化と画像条件決定との関係について検討した。 教師付き微調整 (SFT) と低ランク適応 (LoRA) を言語モデルに限定し, マルチモーダル適応範囲の拡大, 標準回答のみのグループ相対ポリシー最適化 (GRPO) と, 対実的エビデンス目標を比較した。 2,000のクリーンテスト質問において、言語モデルであるLoRA SFTは、正像精度を+1.10ポイント(95%のペアブートストラップCI:-0.85から+3.05)で変更し、視覚的ベネフィットイベントは2.40ポイント減少し、画像感度は5.60ポイント低下した。 記録は155件、失った203件を記録。 広範適応は言語モデルLoRA SFTよりも低い正像精度が得られる。 標準GRPOは、不確実なテスト精度で、混合逆グループとパラメータ更新を生成する。 生成監査では、標準オプションスコアが生成された回答と異なるトークンパスに従うことができることが明らかになった。 グリーディ生成経路に沿って測定されたスコアにより、エビデンスターゲットはトレーニングセットにより改善され、標準GRPO以上のゲインは、一致したトレーニング用量での検証データに矛盾しないままである。 サンプルレベルの分析は、エビデンススコア、意思決定マージン、および生成された回答がポストトレーニング中にどのように変化するかをトレースする。 この経験的および測定的監査は、最適化活動と目標獲得と有用な視覚行動のギャップを識別する。

関連論文リスト

• Harnessing Image Question Dependence for Better VLM Test-time Reinforcement Learning [66.13367818892503]
  Vlm 適応性を向上させるために画像探索依存を利用したテスト時強化学習フレームワーク TTIQ を提案する。 TTIQの教師は、元の画像検索ペアとその画像と質問対応のバリエーションの下で、各サンプル応答を強制する。 イメージと質問への依存と信頼を組み合わせることで、共同で接地された応答を好む応答レベルの報酬を構築する。
  論文  参考訳（メタデータ） (2026-09-09T22:54:15Z)
• GATE: Reliability-Gated Gaussian Evidence Fusion for Training-Free Test-Time Adaptation of Vision-Language Models [5.025577782616721]
  GATEはトレーニングフリーの2パストランスダクティブテストタイム適応フレームワークである。 イメージエンコーダ、テキストエンコーダ、およびプロンプトパラメータを完全に凍結しながら、ラベルなしのターゲットセットを使用する。 ゼロショットのパフォーマンスは平均5.41ポイント向上し、最強の非GATEベースラインを1.94ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-29T18:33:23Z)
• FADE: From Passive Verification to Active Discovery in Counterfactual Video Understanding [19.559643217912114]
  既存のMultiple-choice question (MCQ)ベンチマークは、質問や候補オプションを通じて、意図的にターゲットイベントをリークする。 本稿では, 対実的発見と説明のための効果的なトレーニングフレームワークであるFADEを紹介する。 FADEは、DualityVidQA-test と IPV-Bench の3つのタスクにまたがる、最先端の厳密なペアスコアを達成し、GPT-5.6を上回った。
  論文  参考訳（メタデータ） (2026-08-11T10:22:08Z)
• GUARD: Grounding Uncertainty and Ablation-Based Risk Detection for Diffusion-Based VLAs [0.0]
  拡散に基づく視覚言語アクション(VLA)ポリシーは、そのタスクを定義する視覚的および言語的エビデンスに、その予測が弱く根付いていても、妥当なアクションを生成することができる。 我々は、事前訓練されたポリシーを変更することなく、このグラウンドを計測するテスト時間障害検出手法であるGUARDを紹介する。
  論文  参考訳（メタデータ） (2026-08-05T06:48:15Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Do Medical Vision Language Models Actually See? A Counterfactual Grounding Framework and Hard-Negative Contrastive Training for Visually-Reliant Medical VLMs [6.775973739193119]
  大規模視覚言語モデル(VLM)は、医学的質問に対する回答に強い精度を報告しているが、それらが視覚的エビデンスから引き起こされたのか、あるいはテキストによるショートカットを悪用したのかは定かではない。 本稿では,視覚的およびテキスト的コントリビューションを,制御されたサロゲート,ピクセルシャッフル,イメージアプサント,CLIP検索したハード負の入力画像に置換することで分離する,対物的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T00:06:35Z)
• Just how sure are you? Improving Verbalized Uncertainty Calibration in Medical VQA [0.16383644639245779]
  マルチモーダル大言語モデル (MLLM) を医用視覚質問回答 (VQA) に適用すると, 実際の正確性に関わらず, 自信過剰なアウトプットが生じる傾向にある。 本研究では、MLLMを微調整し、複合損失関数を用いて校正を改善するためのトレーニングベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-25T13:33:58Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• SPARC: Score Prompting and Adaptive Fusion for Zero-Shot Multi-Label Recognition in Vision-Language Models [74.40683913645731]
  Zero-shot Multi-label Recognition (MLR) with Vision-Language Models (VLMs) は、トレーニングデータ、モデルチューニング、アーキテクチャの変更なしに重要な課題に直面している。 我々の研究は、VLMをブラックボックスとして扱い、トレーニングデータや地上の真実を使わずにスコアを活用する新しいソリューションを提案する。 これらのプロンプトスコアの分析により、VLMバイアスとAND'/OR信号の曖昧さが明らかになり、特に、最高スコアは2番目に高いスコアに比べて驚くほど低い。
  論文  参考訳（メタデータ） (2025-02-24T07:15:05Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)

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。