論文の概要: When to Unpair: Regulating Pairing Dependence in Medical Visual In-Context Learning

• arxiv url: http://arxiv.org/abs/2610.10335v1
• Date: Wed, 07 Oct 2026 16:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.032657
• Title: When to Unpair: Regulating Pairing Dependence in Medical Visual In-Context Learning
• Title（参考訳）: 医学的視覚的インコンテキスト学習におけるペアリング依存の制御
• Abstract要約: ビジュアル・イン・コンテクスト・ラーニング(ICL)はラベル・スカース・メディカル・イメージングに適している。 4つのモデルがすべてペアリングに依存していることを示す。 我々は、マッチしたトレーニングから始まり、ランダムなアンペア化を適用する、遅延アンペア化カリキュラム(LUC)を導入する。
• 参考スコア（独自算出の注目度）: 3.476146507520182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual in-context learning (ICL), well suited to label-scarce medical imaging, uses support image-label pairs to demonstrate input-output mappings, while the labels collectively indicate the requested task. We diagnose dependence on individual pairings with a test-time derangement that reassigns every support label to another support image while preserving the query, support images, and label multiset. The resulting pairing gap, defined as shuffled-minus-matched performance, shows that all four released models depend on the pairing, to widely varying degrees. Further analysis of a paired-trained model reveals support-associated spurious regions and lesion-size biases even with real, unaltered supports, alongside sensitivity to mis-registered support labels. To regulate this dependence, we introduce a late unpairing curriculum (LUC), which starts with matched training and then applies random unpairing, replacing each support label with that of another support in the same episode. LUC nearly closes the pairing gap on two backbones while maintaining or improving matched-support performance across all evaluated task types, with gains extending to held-out tasks and cross-dataset episodes. It also mitigates these failure modes. On BraTS whole-tumor segmentation, matched-support DSC rises from 0.733 to 0.857 while the gap shrinks from -0.184 to -0.008. In a released model, brief fine-tuning with random unpairing reduces the gap. A reversed curriculum that places the same number of unpairing epochs at the start of training leaves a large gap. This shows that pairing dependence is shaped by the order of training and not only by the amount of unpaired training.
• Abstract（参考訳）: ラベル・スカース・メディカル・イメージングに適したビジュアル・イン・コンテキスト・ラーニング(ICL)では、イメージ・ラベル・ペアを使用して入力・出力マッピングを実証し、ラベルは要求されたタスクを総括的に示す。 クエリ、サポートイメージ、ラベルマルチセットを維持しながら、各サポートラベルを別のサポートイメージに再割り当てするテストタイム・デレンジメントにより、個々のペアリングへの依存を診断する。 結果として得られるペアリングギャップは、シャッフルミナスマッチングのパフォーマンスとして定義され、4つのリリースされたモデルすべてがペアリングに依存していることを示している。 ペア学習モデルのさらなる分析により、実際の未修正サポートであっても、サポート関連スプリアス領域と病変サイズバイアスが明らかとなり、誤登録サポートラベルに対する感度が向上する。 この依存を抑えるために、我々は、マッチしたトレーニングから始まり、ランダムなアンペアリングを適用し、各サポートラベルを同じエピソードの他のサポートに置き換える、遅延アンペアリングカリキュラム(LUC)を導入する。 LUCは2つのバックボーンのペアリングギャップをほぼ閉じ、すべての評価されたタスクタイプでマッチしたサポート性能を維持または改善する。 また、これらの障害モードを緩和する。 BraTS全腫瘍セグメンテーションでは、一致支持DSCは0.733から0.857に上昇し、ギャップは-0.184から-0.008に縮小した。 リリースモデルでは、ランダムなアンペアリングを伴う簡単な微調整がギャップを減少させる。 トレーニング開始時に同じ数の未熟なエポックを配置する逆のカリキュラムは、大きなギャップを残します。 これは、ペアリング依存がトレーニングの順序によって形成され、未ペアのトレーニングの量だけによって形成されることを示している。

関連論文リスト

• TTRSD: Test-Time Reinforcement Learning with Self-Distillation for Vision-Language Models [27.31606612106555]
  テスト時強化学習により、未ラベル入力を用いて視覚言語モデルに適応することができる。 我々は,多視点応答レベル自己蒸留と視覚的コントラストトークン選択を組み合わせたテスト時強化学習フレームワークTTRSDを提案する。
  論文  参考訳（メタデータ） (2026-09-27T09:49:39Z)
• Aligned Consensus Teaching for Label-Efficient Oriented Object Detection in Weakly-Aligned Visible-Infrared Imagery [69.65321798954088]
  Visible-Infrared Object Detection (VIOD)は、対の可視画像と赤外線画像から、向き付けられたバウンディングボックスを持つ物体を検出する。 本研究では, ラベル効率の高いVIODのためのアラインド・コンセンサス・インスツルメンツ(ACT)を提案する。 コードとモデルはGitHubで公開され、今後の作業が容易になる。
  論文  参考訳（メタデータ） (2026-09-16T04:59:37Z)
• 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)
• TEST-V: TEst-time Support-set Tuning for Zero-shot Video Classification [68.27769245188009]
  我々は、ゼロショットビデオ分類(TEST-V)のためのTEst-time Support-set Tuningという新しいフレームワークを提案する。 サポートセットを複数のプロンプト(Multi-prompting Support-set Dilation, MSD)で拡張した後、学習可能なウェイトを通じてサポートセットを侵食し、キーキューをマイニングする。 $textbfTEST-V$は、4つのベンチマークで最先端の結果を達成し、サポートセットのディレーションとエロージョンに優れた解釈性を持つ。
  論文  参考訳（メタデータ） (2025-02-01T13:20:01Z)
• TSVC:Tripartite Learning with Semantic Variation Consistency for Robust Image-Text Retrieval [11.874979105806243]
  クロスモーダル検索は意味的関連性を通して異なるモダリティの下でデータをマップする。 既存のアプローチでは、データペアが適切に整合しており、広く存在するアノテーションノイズを無視していると暗黙的に仮定している。 本稿では,画像テキスト検索のための意味変化一貫性(TSVC)を用いた三部学習を提案する。
  論文  参考訳（メタデータ） (2025-01-19T04:05:08Z)
• Imbalanced Medical Image Segmentation with Pixel-dependent Noisy Labels [23.049622621090453]
  クラス不均衡な画素依存雑音ラベルに対処するために,CLCS(Collaborative Learning with Curriculum Selection)を提案する。 CLCSはCNS(Curriculum Noisy Label Sample Selection)とNBL(Noss Balance Loss)の2つのモジュールで構成される。
  論文  参考訳（メタデータ） (2025-01-12T00:59:57Z)
• AsyCo: An Asymmetric Dual-task Co-training Model for Partial-label Learning [53.97072488455662]
  自己学習モデルは、最先端のパフォーマンスを実現するが、誤って曖昧なインスタンスによって生じるエラーの蓄積問題に悩まされる。 本稿では,2つのネットワーク,すなわち曖昧なネットワークと補助的なネットワークに,異なる視点から明確に学習するよう強制する,AsyCoという非対称なデュアルタスク協調学習モデルを提案する。 AsyCoの有効性を実証するため、一様および一様にラベル付けされた部分ラベル付きデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-07-21T02:08:51Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Curriculum Learning Meets Weakly Supervised Modality Correlation Learning [26.754095474534534]
  カリキュラム学習を弱教師付きモダリティ相関学習に導入する。 相関学習を支援するために,学習の難しさに応じてトレーニングペアをモデルに供給する。 提案手法は,マルチモーダル感情分析における最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-15T05:11:04Z)

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。