論文の概要: Reliability Testing of Medical Model Performance under Distributed Deployment

• arxiv url: http://arxiv.org/abs/2609.36525v1
• Date: Tue, 29 Sep 2026 02:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.113631
• Title: Reliability Testing of Medical Model Performance under Distributed Deployment
• Title（参考訳）: 分散展開下における医療モデル性能の信頼性試験
• Abstract要約: 本稿では,テストフレームワークと分散実行に敏感な医療モデルベンチマークを提案する。 言語、ビジョン、マルチモーダル医療モデルにわたる実験は、実行の変化が測定可能な出力の不一致をもたらすことを示している。 このベンチマークは、医療モデルの評価を能力とセキュリティから評価・デプロイの一貫性まで拡張することを目的としている。
• 参考スコア（独自算出の注目度）: 22.117020142747432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed inference has become an indispensable part of deploying medical models under practical latency, memory, and throughput constraints. Although modern frameworks improve serving efficiency through tensor parallelism, mixed precision, kernel fusion, and multi-device communication, they are generally assumed to preserve the behavior observed during centralized HuggingFace evaluation. This assumption creates an evaluation-deployment mismatch: a model may pass offline evaluation but produce a different output after the execution stack changes. To address this mismatch, we propose a testing framework and an improved, distributed-execution-sensitive medical-model benchmark that evaluates the same checkpoint and input under a centralized HuggingFace reference and matched distributed deployments. Extensive experiments across language, vision, and multimodal medical models show that execution changes can produce measurable output disagreements. Across supported visual settings, the test success rate ranges from 0.21 to 0.43 for single-modality models and from 0.32 to 0.98 for multimodal models. The benchmark is aimed at extending medical-model evaluation from capability and security to evaluation-deployment consistency.
• Abstract（参考訳）: 分散推論は、実用的なレイテンシ、メモリ、スループットの制約の下で医療モデルをデプロイする上で、不可欠である。 現代のフレームワークは、テンソル並列性、混合精度、カーネル融合、マルチデバイス通信によって効率を向上させるが、それらは一般的に、中央集権的なHugingFace評価において観察される振る舞いを保存していると仮定される。 モデルはオフラインで評価をパスするが、実行スタックが変更されると出力が異なる。 このミスマッチに対処するために、HuggingFace参照と一致した分散デプロイメントの下で同じチェックポイントと入力を評価する、テストフレームワークと、改善された分散実行に敏感な医療モデルベンチマークを提案する。 言語、ビジョン、マルチモーダル医療モデルにわたる大規模な実験は、実行の変化が測定可能な出力の不一致をもたらすことを示している。 視覚的な設定をサポートするため、テストの成功率はシングルモダリティモデルでは0.21から0.43まで、マルチモダリティモデルでは0.32から0.98までである。 このベンチマークは、医療モデルの評価を能力とセキュリティから評価・デプロイの一貫性まで拡張することを目的としている。

関連論文リスト

• Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
  Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-09T06:38:36Z)
• The Mean is the Mirage: Entropy-Adaptive Model Merging under Heterogeneous Domain Shifts in Medical Imaging [3.597779662054083]
  予期せぬテスト時間分散シフトの下でのモデルのマージは、平均的な信頼性の低下など、単純な戦略を反映することが多い。 本稿では,前方パスのみを介してバッチ固有のマージモデルを生成するエントロピー適応型完全オンラインモデルマージ手法を提案する。 本研究では,9つの医学領域および自然領域の一般化画像分類データセットにまたがる2つのバックボーンを用いて,最先端のベースラインを用いた手法を広範に評価した。
  論文  参考訳（メタデータ） (2026-02-24T21:06:19Z)
• SeFEF: A Seizure Forecasting Evaluation Framework [0.0]
  我々は,発作予測アルゴリズムの開発,評価,ドキュメントの効率化を目的としたPythonベースのフレームワークを紹介する。 このフレームワークは、データラベリング、クロスバリデーション分割、予測後処理、パフォーマンス評価、レポートを自動化する。 様々な予測水平線をサポートし、実装の詳細、トレーニングと評価設定、パフォーマンスメトリクスを文書化するモデルカードを含んでいる。
  論文  参考訳（メタデータ） (2025-10-13T11:10:27Z)
• Test-Time Consistency in Vision Language Models [26.475993408532304]
  VLM(Vision-Language Models)は、様々なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 MM-R3のような最近のベンチマークでは、最先端のVLMでさえ意味論的に等価な入力にまたがって分岐予測をもたらすことが強調されている。 教師付き再学習なしにセマンティックな一貫性を高める,シンプルで効果的なテスト時間一貫性フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-27T17:09:44Z)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)
• Modeling Score Distributions and Continuous Covariates: A Bayesian Approach [8.772459063453285]
  連続共変量に対するマッチングと非マッチスコア分布の生成モデルを構築した。 混合モデルを用いて任意の分布と局所基底関数をキャプチャする。 提案手法の精度と有効性を示す3つの実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T02:41:20Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。