論文の概要: ViCoR: Estimating Visual Necessity via Counterfactual Residuals for Multimodal Medical Data Selection

• arxiv url: http://arxiv.org/abs/2610.25202v1
• Date: Sun, 18 Oct 2026 11:46:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:07.686034
• Title: ViCoR: Estimating Visual Necessity via Counterfactual Residuals for Multimodal Medical Data Selection
• Title（参考訳）: ViCoR:マルチモーダル医療データ選択のための視覚的必要量の推定
• Abstract要約: 我々は,Med-VLMファインタニングのための非現実的残差に基づくデータ選択手法であるViCoRを提案する。 ViCoRは、画像依存の最適化残差を通じて視覚的必要性を推定し、その結果のスコアを医療監督互換性で校正する。 ViCoRは画像に依存した訓練信号を強化し,画像レベルおよびエビデンス領域依存性を強化する。
• 参考スコア（独自算出の注目度）: 2.707872108538132
• License:
• Abstract: Medical vision-language models often exhibit hidden stratification, where high overall performance masks failures on subtle visual findings and overlapping clinical conditions. We trace this failure mode to modality imbalance during fine-tuning, where strong linguistic priors can suppress visually grounded learning and induce plausible but weakly grounded rationales. Existing data selection methods usually score image-text pairs as holistic units, without separating visually necessary samples from shortcut-solvable ones. To address this problem, we propose ViCoR, a counterfactual-residual-based data selection method for Med-VLM fine-tuning. ViCoR estimates visual necessity through image-dependent optimization residuals, calibrates the resulting scores with medical supervision compatibility, and constructs a diversity-aware fine-tuning subset. Across two backbones, four external generalization benchmarks, and one multi-disease robustness benchmark, ViCoR-selected 20\% subsets achieve the strongest average performance compared with full-data fine-tuning and selection baselines. Gradient-level analysis and perturbation audits further show that ViCoR enriches image-dependent training signals and strengthens image-level and evidence-region dependence. The code will be available at https://github.com/htgan-ai/ViCoR.
• Abstract（参考訳）: 医用視覚言語モデルは、しばしば隠れた層状化を示し、高いパフォーマンスマスクは微妙な視覚所見と重複する臨床症状に失敗する。 我々は、この失敗モードを微調整中のモダリティ不均衡に辿り着き、強力な言語的先行者が視覚的基礎学習を抑え、妥当だが弱い基礎的理性を引き出すことができる。 既存のデータ選択法は通常、視覚的に必要なサンプルとショートカット可能なサンプルを分離することなく、画像とテキストのペアを全体単位としてスコアする。 そこで本研究では,Med-VLMファインタニングのための非現実的残差データ選択手法であるViCoRを提案する。 ViCoRは、画像依存の最適化残差によって視覚的必要性を推定し、その結果のスコアを医療監督互換性で校正し、多様性を意識した微調整サブセットを構築する。 2つのバックボーン、外部一般化ベンチマーク、4つのマルチディスリーズ・ロバストネスベンチマーク、ViCoR選択20\%サブセットは、フルデータ微調整と選択ベースラインと比較して、最も高い平均パフォーマンスを達成する。 グラディエントレベルの分析と摂動監査は、ViCoRが画像依存のトレーニング信号を強化し、画像レベルとエビデンス領域の依存性を強化することをさらに示している。 コードはhttps://github.com/htgan-ai/ViCoR.comで入手できる。

関連論文リスト

• DICS: Exploring Data Intrinsic Consistency for Visual Instruction Selection [53.457992197673185]
  データ固有の一貫性(Data Intrinsic Consistency、DIC)は、サンプルレベルのコンポーネント間の一貫性を定量化するために設計された自己スコアの指標である。 DICSは、高いサンプル内一貫性とグローバルな分布多様性の間のトレードオフを最適化する適応データ選択手法である。 DIC-6Mは6Mサンプルのマルチモーダル命令コーパスであり、最大規模の視覚的命令選択学習を可能にする。
  論文  参考訳（メタデータ） (2026-08-31T03:44:54Z)
• Geometry-Aware Uncertainty Coresets for Robust Visual In-Context Learning in Histopathology [8.2867621159451]
  GAUCは,事前学習されたマルチモーダル埋め込み空間で直接動作する,トレーニング不要なコアセット選択法である。 CRC-100K と MHIST が複数のオープンソース VLM アーキテクチャにまたがっている場合、GAUC は精度、キャリブレーション、高速な勾配ロバスト性を改善している。
  論文  参考訳（メタデータ） (2026-05-18T13:54:04Z)
• Less Is More? Selective Visual Attention to High-Importance Regions for Multimodal Radiology Summarization [2.0037149928499827]
  ViTASは、アンサンブル誘導MedSAM2肺セグメンテーション、マルチビュー融合のためのクロスアテンション、シェープ誘導適応パッチクラスタリング、ViTを供給している階層的視覚トークン化を組み合わせた多段階パイプラインである。 以上の結果から,マルチモーダルラジオグラフィーの要約では,より関連性の高い視覚入力が十分であるだけでなく,優れていることが示唆された。
  論文  参考訳（メタデータ） (2026-03-31T15:47:01Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• HSCR: Hierarchical Self-Contrastive Rewarding for Aligning Medical Vision Language Models [23.158036246184174]
  我々は,Med-VLMアライメントにおける2つの重要な課題に対処する新しいアプローチである階層型自己コントラスト・リワード(HSCR)を提案する。 HSCRは高品質な嗜好データを生成し、改善されたアライメントのためにニュアンス付きおよびコンテキスト対応の嗜好をキャプチャする。
  論文  参考訳（メタデータ） (2025-06-01T03:11:00Z)
• Rethinking model prototyping through the MedMNIST+ dataset collection [0.11999555634662634]
  この作業では、MedMNIST+データセットコレクションの包括的なベンチマークを導入する。 我々は、一般的なCNN(Convolutional Neural Networks)とViT(Vision Transformer)アーキテクチャを、異なる医療データセットにわたって再評価する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルが,エンドツーエンドのトレーニングに有効な代替手段を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)

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。