論文の概要: Human-Inspired Asymmetric Collaboration for Dual-Student Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2610.18133v1
- Date: Tue, 13 Oct 2026 10:43:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 07:15:55.308724
- Title: Human-Inspired Asymmetric Collaboration for Dual-Student Semi-Supervised Medical Image Segmentation
- Title（参考訳）: 重み付き半監督型医用画像分割のための人為的非対称協調
- Abstract要約: 不十分な強い増強は学生を均質化するが、過度の増強は解剖学的証拠を破損させ、協力を不安定にする。
この課題は、学習者が区別されたタスクを受け取り、その変化に応じてタスクの難易度を継続的に調整する、フィードバック制御された人間の指導と一致する。
適応的難易度校正と幾何保存により弱強学習を維持する閉ループ二重学習フレームワークであるHuman-Inspired Asymmetric Collaboration (HAC)を提案する。
- 参考スコア（独自算出の注目度）: 24.67725222511154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dual-student learning enriches predictive diversity in SSMIS by introducing a strongly augmented view alongside a weakly augmented view. Insufficient strong augmentation may homogenize the students, whereas excessive augmentation can corrupt anatomical evidence and destabilize collaboration. This challenge echoes feedback-regulated human instruction, where learners receive differentiated tasks and the task difficulty is continually adjusted according to their evolving responses. Inspired by these, we propose Human-Inspired Asymmetric Collaboration (HAC), a closed-loop dual-student framework that maintains weak--strong learning through adaptive difficulty calibration and geometry preservation. Specifically, Reinforcement-guided Difficulty Calibration (RDC) formulates strong-augmentation control as a window-level reinforcement learning process, using augmentation history, realized perturbations, and training responses to dynamically adjust the augmentation magnitude, operation number, and magnitude range. Meanwhile, the Gramian Geometry Preservation Constraint (G2PC) preserves the early-stage three-branch geometry through global volume and pairwise area constraints, preventing shared supervision from homogenizing the two students. Comprehensive evaluations across LA, Pancreas, and BraTS-2019 validate both the segmentation effectiveness and capability-aware difficulty calibration of HAC.
- Abstract（参考訳）: デュアルスチューデント学習は、弱い拡張ビューとともに強い拡張ビューを導入することで、SSMISの予測多様性を豊かにする。
不十分な強い増強は学生を均質化するが、過度の増強は解剖学的証拠を破損させ、協力を不安定にする。
この課題は、学習者が区別されたタスクを受け取り、その変化に応じてタスクの難易度を継続的に調整する、フィードバック制御された人間の指導と一致する。
これらに着想を得て,適応的難易度校正と幾何保存を通じて弱強学習を維持する閉ループ二重学習フレームワークであるHuman-Inspired Asymmetric Collaboration (HAC)を提案する。
具体的には、強化誘導困難校正(RDC)は、強化履歴、実現された摂動、訓練応答を用いて、窓レベルの強化学習プロセスとして強強化制御を定式化し、増強度、操作数、大きさ範囲を動的に調整する。
一方,G2PC(Gramian Geometry Preservation Constraint)は,大域的な容積と対方向の領域制約を通した初期3枝形状を保ち,学生の均質化を防いでいる。
LA, Pancreas, BraTS-2019の総合的な評価は, HACのセグメンテーション効率とキャリブレーション能力を考慮したキャリブレーションの両立を検証した。
関連論文リスト
- TCOD: Exploring Temporal Curriculum in On-Policy Distillation for Multi-turn Autonomous Agents [55.27396165691312]
マルチターンエージェント設定におけるバニラOPDの鍵となる制限を,トラジェクトリレベルKL不安定(Trajectory-Level KL Instability)と呼ぶ。
学生に露出する軌道深度を制御し,カリキュラムのスケジュールを段階的に拡張するフレームワークであるTCODを提案する。
4組の生徒と教師のペアによる実験結果から,TCODはKLのエスカレーションを軽減し,トレーニングを通してKLの安定性を高め,バニラPDよりも最大18ポイントのエージェント性能を向上させることが示された。
論文 参考訳（メタデータ） (2026-04-27T03:38:27Z) - Duala: Dual-Level Alignment of Subjects and Stimuli for Cross-Subject fMRI Decoding [37.36610841961446]
クロスオブジェクト視覚デコーディングは、個人間での脳活動からの視覚体験を再構築することを目的としている。
既存の手法は、データ制限のある新しい被験者に適応する際に、しばしば劣化したパフォーマンスに悩まされる。
刺激レベルの整合性と主観レベルの整合性を実現するために設計された二重レベル整合性フレームワークであるDualaを提案する。
論文 参考訳（メタデータ） (2026-03-08T13:22:20Z) - Anatomy-R1: Enhancing Anatomy Reasoning in Multimodal Large Language Models via Anatomical Similarity Curriculum and Group Diversity Augmentation [52.7583577508452]
MLLM(Multimodal Large Language Models)は自然画像推論において顕著な進歩を遂げている。
医用画像におけるその潜在性は、特に臨床解剖学的外科画像では未発見のままである。
これらの課題は、従来のSupervised Fine-Tuning戦略の有効性を制限する。
論文 参考訳（メタデータ） (2025-12-22T16:06:36Z) - UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。
最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。
これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
論文 参考訳（メタデータ） (2025-11-12T01:27:02Z) - Adaptive Knowledge Transferring with Switching Dual-Student Framework for Semi-Supervised Medical Image Segmentation [11.625763201387771]
教師と学生のフレームワークは、半教師付き医療画像セグメンテーションにおける主要なアプローチとして現れてきた。
本稿では,各イテレーションで最も信頼性の高い学生を戦略的に選別する,新しいDual-Studentアーキテクチャを提案する。
また,教師が学生から有意義な情報を吸収することを動的に保証するために,Los-Aware Exponential moving Averageという戦略を導入する。
論文 参考訳（メタデータ） (2025-10-28T12:42:33Z) - TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning [15.638836465479619]
TRiCoは、半教師付き学習の構造を再考する、三進的ゲーム理論の共同学習フレームワークである。
既存のSSLフレームワークにおける重要な制限に対処することによって、TRiCoは原則付き、一般化可能なソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-25T20:10:41Z) - DyCON: Dynamic Uncertainty-aware Consistency and Contrastive Learning for Semi-supervised Medical Image Segmentation [18.102129546708905]
動的不確実性を考慮した一貫性とコントラスト学習フレームワークであるDyCONを提案する。
UnCLは、各ボクセルの一貫性損失への寄与を動的に重み付けすることで、グローバルな一貫性を強制する。
FeCLは、二重焦点機構を導入することにより、不均衡領域における局所的特徴識別を強化する。
論文 参考訳（メタデータ） (2025-04-06T17:50:22Z) - Dataset Awareness is not Enough: Implementing Sample-level Tail Encouragement in Long-tailed Self-supervised Learning [16.110763554788445]
擬似ラベル情報を利用して動的温度と再重み付け戦略を推進し、自己教師付き長期学習に擬似ラベルを導入する。
我々は,温度パラメータにおける量認識の欠如を分析し,この不足を補うために再重み付けを用いて,サンプルレベルで最適なトレーニングパターンを実現する。
論文 参考訳（メタデータ） (2024-10-30T10:25:22Z) - Co-Supervised Learning: Improving Weak-to-Strong Generalization with
Hierarchical Mixture of Experts [81.37287967870589]
我々は,一貫した生徒を統括する,一貫した一貫した教師ではなく,多様な専門教師の集合を活用することを提案する。
我々のアプローチは、古典的な階層的な専門家の混合に似ている。
提案手法は,OpenAIの弱強ベンチマークと追加のマルチドメインデータセットを用いて,視覚認識タスクにより検証する。
論文 参考訳（メタデータ） (2024-02-23T18:56:11Z) - Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。
視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
論文 参考訳（メタデータ） (2022-07-05T15:39:29Z)
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。