論文の概要: Prompt-Anchored Residual Adaptation for Biomedical Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.33701v1
• Date: Sun, 27 Sep 2026 16:01:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:31:52.826461
• Title: Prompt-Anchored Residual Adaptation for Biomedical Vision-Language Models
• Title（参考訳）: バイオメディカルビジョン・ランゲージモデルのためのプロンプトアンコール残像適応
• Abstract要約: バイオメディカル画像分類において,事前学習した視覚言語モデルは強いゼロショット性能を実現する。 少数ショット適応は、小さなラベル付きサポートセット上でタスク固有の予測器を最適化することで、ミスマッチに対処する。 本稿では,Pmpt-Anchored Residual Adaptation (PARA)を提案する。
• 参考スコア（独自算出の注目度）: 17.400204866383355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained biomedical vision-language models achieve strong zero-shot performance in biomedical image classification. However, downstream biomedical classification often depends on subtle visual differences between classes that may not be fully captured by pretrained representations. Few-shot adaptation addresses this mismatch by optimizing a task-specific predictor on a small labeled support set. Because the selected examples capture only part of the visual variation within the target classes, the adapted predictions can depend strongly on their composition. We propose Prompt-Anchored Residual Adaptation (PARA), which retains the frozen prompt prediction as a support-invariant semantic anchor and incorporates a visual prediction learned from the support set through an anchor-relative residual. The residual step is computed in a closed form from frozen support embeddings using anchor discrepancy and support agreement. Support-set dependence also limits evaluation: comparisons are fair within a shared draw but remain conditional on its composition. To obtain more reliable comparisons, we introduce a repeated-support protocol that separates support-selection variation from optimization randomness and reports both average and worst-20% performance. PARA achieves state-of-the-art performance in both few-shot classification and base-to-novel generalization.
• Abstract（参考訳）: バイオメディカル・ビジョン言語モデルは,バイオメディカル・イメージ分類において強いゼロショット性能を達成する。 しかし、下流の生物医学的分類は、事前訓練された表現によって完全に捉えられないクラス間の微妙な視覚的差異に依存することが多い。 少数ショット適応はこのミスマッチに対処し、小さなラベル付きサポートセット上でタスク固有の予測器を最適化する。 選択された例は対象クラス内の視覚的変化の一部のみを捉えているため、適応された予測はそれらの構成に強く依存することができる。 本稿では,Pmpt-Anchored Residual Adaptation (PARA)を提案する。このPmpt-Anchored Residual Adaptation (PARA)は,フリーズプロンプト予測をサポート不変セマンティックアンカーとして保持し,アンカー相対残差によるサポートセットから学習した視覚的予測を組み込む。 残余ステップは、アンカーの相違と支持契約を用いて凍結支持埋め込みから閉じた形で計算される。 比較は共有の引き分けの中で公平であるが、その構成は条件付きである。 より信頼性の高い比較を得るために、我々は、サポート選択のばらつきを最適化のランダム性から分離する繰り返しサポートプロトコルを導入し、平均値と最低値の両方のパフォーマンスを報告する。 PARAは、数ショットの分類とベース・ツー・ノーベルの一般化の両方において最先端の性能を達成する。

関連論文リスト

• Bayesian adaptively-weighted ensembles for few-shot abdominal segmentation [1.7804186825965627]
  ラベル付きデータが不足している場合、解剖学的セグメンテーションのための有望なアプローチとして、ほとんどショット学習が登場していない。 ラベル不足とドメインシフトに基づくセグメンテーションのためのベイズ適応重み付けアンサンブルフレームワークを提案する。 その結果、個々の数発学習者、固定重アンサンブル、スクラッチベースラインからのトレーニング、最新の最先端アンサンブルアプローチに対する統計的に有意な改善が示された。
  論文  参考訳（メタデータ） (2026-08-06T09:46:57Z)
• Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation [7.942205885692331]
  In-context Learningは、医療画像のセグメンテーションモデルを、再トレーニングすることなく、見つからない構造やモダリティに適応させる。 ICL信頼性の制御可能な決定因子としてのサポートセットについて検討する。
  論文  参考訳（メタデータ） (2026-08-05T18:43:42Z)
• Active few-shot segmentation by reinforcing data selection [1.7289593940332797]
  少ないショット学習により、少数のラベル付き例だけで、医療画像セグメンテーションモデルが新しいタスクに適応できる。 サポートセットは、ターゲットドメイン内の関連するバリエーションをキャプチャし、適応のために通知するべきである。 数ショットの医用画像分割におけるサポートセット選択のための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-24T14:58:35Z)
• T-DuMpRa: Teacher-guided Dual-path Multi-prototype Retrieval Augmented framework for fine-grained medical image classification [9.53765398422759]
  T-DuMpRaは教師向けデュアルパスマルチプロトタイプ検索拡張フレームワークである。 本稿では,T-DuMpRaを提案する。 本法では5種類の背骨に対して0.68%-0.21%,0.44%-2.69%の改善が得られた。
  論文  参考訳（メタデータ） (2026-04-19T10:13:46Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• CLIP Adaptation by Intra-modal Overlap Reduction [1.2277343096128712]
  画像空間におけるモーダル内重なりを埋め込み表現の観点から解析する。 Google Open Imagesデータセットからサンプルのジェネリックセットに軽量アダプタをトレーニングします。
  論文  参考訳（メタデータ） (2024-09-17T16:40:58Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)
• Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
  ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-09T12:26:27Z)

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。