論文の概要: ABO-Med: Accelerated Bilevel Optimization for Few-Shot Medical Image Classification

• arxiv url: http://arxiv.org/abs/2609.33176v1
• Date: Sun, 27 Sep 2026 03:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:31:41.699139
• Title: ABO-Med: Accelerated Bilevel Optimization for Few-Shot Medical Image Classification
• Title（参考訳）: ABO-Med:Few-Shot医療画像分類のための2レベル高速化最適化
• Abstract要約: 本稿では,ABO-Medを提案する。 また,医療画像のためのモダリティを意識した拡張戦略であるMedRAug(MedRAug)も導入した。 実証的に、ABO-Medはいくつかの公的医療データセットで先行ベースラインを上回り、1.99%から18.76%に上昇した。
• 参考スコア（独自算出の注目度）: 10.020063894119799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, bilevel optimization has been widely used in a variety of machine learning tasks. However, prior bilevel optimization algorithms generally require the computation of second-order information, which limits their practical scalability. Only recently has a first-order paradigm for bilevel optimization been established, attaining near-optimal theoretical guarantees for solving bilevel optimization problems. In this paper, we propose ABO-Med, a scalable instantiation of this paradigm for few-shot learning, by incorporating it into the model-agnostic meta-learning (MAML) framework and tailoring it to medical image classification. We also introduce Medical Adaptive RandomAugment (MedRAug), a modality-aware augmentation strategy designed for medical images. Theoretically, ABO-Med establishes the optimality of MAML-type meta-learning approaches. Empirically, ABO-Med outperforms prior baselines on several public medical datasets, with gains of 1.99% to 18.76%, while MedRAug further improves the average accuracy by 2.20% to 6.34%. Additional cross-domain experiments, augmentation ablation studies, backbone ablation studies, and training efficiency analysis further validate the effectiveness and efficiency of the proposed method.
• Abstract（参考訳）: 近年、バイレベル最適化は様々な機械学習タスクで広く使われている。 しかし、従来の二段階最適化アルゴリズムは一般に二階情報の計算を必要とするため、実用的スケーラビリティは制限される。 つい最近になって、二階最適化のための一階のパラダイムが確立され、二階最適化問題を解決するためのほぼ最適理論的な保証が得られた。 本稿では,モデル非依存型メタラーニング(MAML)フレームワークに組み込んで,医用画像分類に適合させることにより,このパラダイムのスケーラブルなインスタンス化を実現するABO-Medを提案する。 また,医療画像のためのモダリティを意識した拡張戦略であるMedRAug(MedRAug)も導入した。 理論的には、ABO-MedはMAML型メタラーニングアプローチの最適性を確立する。 実証的には、ABO-Medはいくつかの公的医療データセットのベースラインを1.99%から18.76%に上回り、MedRAugは平均精度を2.20%から6.34%改善している。 追加のクロスドメイン実験、拡張アブレーション研究、バックボーンアブレーション研究、およびトレーニング効率分析により、提案手法の有効性と効率がさらに検証された。

関連論文リスト

• ChemBOMAS: Accelerated BO in Chemistry with LLM-Enhanced Multi-Agent System [72.63341091857959]
  本稿では,大規模言語モデル(LLM)によるベイズ最適化を高速化するマルチエージェントシステムであるChemBOMASを紹介する。 データ駆動型戦略は、わずか1%のラベル付きサンプルに微調整された8BスケールのLCMレジストレータを含む。 知識駆動型戦略では、検索空間の分割においてLLMを導くために、ハイブリッドなRetrieval-Augmented Generationアプローチを採用している。 ChemBOMASはベースライン方式に比べて最適化効率を最大5倍に向上させた。
  論文  参考訳（メタデータ） (2025-09-10T16:24:08Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• ScaleBiO: Scalable Bilevel Optimization for LLM Data Reweighting [26.931958430968024]
  バイレベル最適化はさまざまな機械学習設定で有効性を示しているが、実際にはほとんどのアルゴリズムは2次情報を必要とする。 本稿では,大規模LLMデータ再重み付けのための2レベル最適化に着目した,このパラダイムのスケーラブルなインスタンス化について紹介する。 LISAと呼ばれる最近提案されたメモリ効率のトレーニング技術と組み合わせることで、我々の新しいアルゴリズムは8倍のH100 GPUで$sim$30BのLLMにスケールできる。
  論文  参考訳（メタデータ） (2024-06-28T15:03:08Z)
• Comparison of fine-tuning strategies for transfer learning in medical image classification [2.271776292902496]
  先進的な事前訓練モデルが利用可能であるにもかかわらず、医用画像への直接の応用は、医学データ特有の特徴のため、しばしば不足する。 本研究は,医療画像領域の領域にまたがる事前学習モデルに適用した各種微調整法の性能に関する総合的な分析を行う。
  論文  参考訳（メタデータ） (2024-06-14T14:00:02Z)
• Med42 -- Evaluating Fine-Tuning Strategies for Medical LLMs: Full-Parameter vs. Parameter-Efficient Approaches [7.3384872719063114]
  我々は,Llama-2アーキテクチャに基づく医療用大規模言語モデル(LLM)を開発し,改良した。 本実験は,様々な医用ベンチマークを用いて,これらのチューニング戦略の有効性を体系的に評価した。
  論文  参考訳（メタデータ） (2024-04-23T06:36:21Z)
• Medical Image Classification Using Transfer Learning and Chaos Game Optimization on the Internet of Medical Things [7.232767871756102]
  本稿では,医療画像分類のためのIoMTの提案について紹介する。 まず,MobileNetV3を用いて,特徴抽出にTransfer Learning (TL) を用いた手法を用いて2段階の設計を行った。 次に,Chaos Game Optimization (CGO) を特徴選択に使用し,不要な特徴を排除し,性能を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-12-12T17:04:26Z)
• Selecting the Best Optimizers for Deep Learning based Medical Image Segmentation [1.837793355722137]
  本研究の目的は, 心像分割の文脈において, 深層学習の最良の方法を特定することである。 モーメントは、加速スキームカテゴリ内のニューラルネットワークを迅速に最適化するのに特に効果的である。
  論文  参考訳（メタデータ） (2023-02-05T03:49:27Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• On the Global Optimality of Model-Agnostic Meta-Learning [133.16370011229776]
  モデル・ア・メタラーニング(MAML)は、メタラーニングを二段階最適化問題として定式化し、内部レベルが各サブタスクを、共有された事前に基づいて解決する。 学習と教師あり学習の両方においてMAMLが達成した定常点の最適性を特徴付ける。
  論文  参考訳（メタデータ） (2020-06-23T17:33:14Z)

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。