論文の概要: SCCL-DT: Semantic-Conflict-Aware Contrastive Learning with Dual-Rule Teacher Distillation for Zero-Shot Chest X-Ray Diagnosis

• arxiv url: http://arxiv.org/abs/2610.22094v1
• Date: Thu, 15 Oct 2026 15:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.167562
• Title: SCCL-DT: Semantic-Conflict-Aware Contrastive Learning with Dual-Rule Teacher Distillation for Zero-Shot Chest X-Ray Diagnosis
• Title（参考訳）: SCCL-DT : ゼロショット胸部X線診断のためのデュアルルール教師蒸留法を用いた意味的コンフリクト・コントラスト学習
• Abstract要約: 対照的な視覚言語による事前訓練は、ゼロショット胸部X線診断をサポートする。 標準目的は、バッチ内のすべての対角外イメージ-リポートペアを負として扱う。 セマンティック・コンフリクト・アウェア・コントラスト学習を提案する。
• 参考スコア（独自算出の注目度）: 28.733462944451443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive vision-language pre-training supports zero-shot chest X-ray diagnosis, but standard objectives treat every off-diagonal image-report pair in a batch as a negative. In radiology, recurring findings across patients mean that instance mismatch need not imply semantic incompatibility, creating false-negative supervision that we term a semantic conflict. A training-trace audit shows that pair-observations selected by the online mask used during training are enriched for report-derived finding agreement, although this proxy analysis does not establish clinical equivalence. Fixed thresholds can become miscalibrated as similarity distributions evolve, while soft reweighting leaves residual repulsive gradients. We therefore propose Semantic-Conflict-Aware Contrastive Learning (SCCL), which tracks modality-specific similarity distributions with exponential-moving-average (EMA) statistics, derives adaptive thresholds, and hard-masks flagged candidates before softmax normalization. Inclusive (OR) and consensus (AND) rules define two SCCL teachers, whose bidirectional cross-modal rankings are consolidated through standard distillation into a single deployable student, SCCL-DT. Across five public chest X-ray benchmarks, SCCL-DT achieves a mean zero-shot AUC of $0.850$, compared with $0.837$ for the strongest evaluated baseline in our comparison. Code will be made publicly available soon.
• Abstract（参考訳）: 対照的に、視覚言語による事前訓練は、ゼロショット胸部X線診断をサポートするが、標準的な目的は、バッチ内のすべての対角画像-レポートペアを負のものとして扱う。 放射線学では、患者間での反復的な発見は、ケースミスマッチが意味的不一致を暗示する必要はないことを意味しており、私たちが意味的対立(semantic conflict)と呼ぶ偽陰性な監督を生み出している。 トレーニングトラス監査では、トレーニング中に使用するオンラインマスクによって選択されたペアオブザーブメントがレポート由来の発見合意に富んでいるが、このプロキシ分析は臨床等価性を確立していない。 類似性分布が進化するにつれて、固定された閾値は誤校正され、ソフトリウェイトは反発勾配を保っている。 そこで我々は,指数移動平均(EMA)統計を用いてモーダリティ固有の類似度分布を追跡するセマンティック・コンフリクト・コントラシティブ・ラーニング(SCCL)を提案し,適応閾値を導出し,ソフトマックス正規化の前にハードマスクをフラグ付けした。 包括的(OR)およびコンセンサス(AND)ルールは、2つのSCCL教師を定義し、その双方向のクロスモーダルなランキングは標準蒸留によって単一のデプロイ可能な学生であるSCCL-DTに統合される。 5つの公開胸部X線ベンチマークで、SCCL-DTは平均ゼロショットAUCが0.850ドル、最も評価されたベースラインが0.837ドルであるのに対し、平均ゼロショットAUCは0.837ドルである。 コードはまもなく公開される予定だ。

関連論文リスト

• PLRS-IC: A Dual-Calibration Framework for Chest X-Ray Vision-Language Alignment [5.513669986269118]
  胸部X線撮影における微細な視覚言語アライメントは、タスク固有のアノテーションなしでゼロショット分類、グラウンド化、セグメンテーションを可能にする。 胸部X線表現学習のための統合二重校正フレームワークPLRS-ICを提案する。
  論文  参考訳（メタデータ） (2026-09-30T08:23:11Z)
• Hit Selection Using SSMD-Based Machine Learning Performance Metrics in High-Throughput Screening Assays [0.0]
  厳密な標準平均差(SSMD)から感度・特異性・地域分類指標を導出するモデルベースフレームワークを提案する。 サンプリングサイズとして 1 に近づく古典的な統計力とは異なり、群平均の真の非ゼロ差がどれほど小さいかは問わないが、SSMD 由来の感度は有限個の集団値に収束する。 C型肝炎ウイルスプライマリスクリーンで, 約22,000回の単回測定で本フレームワークの有用性を実証した。
  論文  参考訳（メタデータ） (2026-08-06T20:33:48Z)
• When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning [22.47689018895596]
  マルチモーダルコントラスト学習(MCL)におけるバックドア攻撃は近年注目を集めている。 既存の検出ベースの防御は、主にCLIPScoreメトリックに依存している。 CSCADEは,2段階の連続型バックドア検出フレームワークである。
  論文  参考訳（メタデータ） (2026-08-04T10:20:41Z)
• Shared Semantic Codebook Distillation for Unpaired Cross-Modal Medical Classification [2.2539165333774647]
  クロスモーダルな知識蒸留は、診断知識を強力な教師のモダリティからより安価でデプロイ可能な学生のモダリティに移行することができる。 しかし、医用画像解析では2つのモダリティが欠落することが多い。 本稿では,教師と生徒の表現を共有コードブックで比較する共有セマンティックコードブック蒸留(SSCD)を提案する。
  論文  参考訳（メタデータ） (2026-07-29T18:10:50Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。