論文の概要: Reliability-Preserving Compression for Deployable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.25460v1
• Date: Sun, 18 Oct 2026 18:44:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:00:46.510588
• Title: Reliability-Preserving Compression for Deployable Medical Image Segmentation
• Title（参考訳）: デプロイ可能な医用画像セグメンテーションのための信頼性保存圧縮
• Abstract要約: 事前訓練された医療セグメンテーションモデルの訓練後の圧縮は、一般的に量子化、プルーニング、蒸留を使用してモデルサイズと計算コストを削減している。 既存の医学セグメンテーション量子化研究は主にDice、モデルサイズ、メモリ、遅延を評価するが、圧縮されたモデルは信頼できない予測を示す不確実な信号を保持する必要があるため、これは安全上重要な用途には不完全である。 圧縮MRI/CTセグメンテーションにおけるこの問題について検討し,不確かさが変化してもDiceが安定していられる理由を定式化する。この障害モードにより我々は,スコア誘導アグリゲーション検証混合精度(SGAV-MP)を提案する。
• 参考スコア（独自算出の注目度）: 1.949927790632678
• License:
• Abstract: Post-training compression of pretrained medical segmentation models commonly uses quantization, pruning, or distillation to reduce model size and computational cost. Existing medical segmentation quantization studies mainly evaluate Dice, model size, memory, and latency, but this is incomplete for safety-critical use because compressed models should also preserve uncertainty signals that indicate unreliable predictions. We study this problem in compressed MRI/CT segmentation and formalize why Dice can remain stable while uncertainty changes. Motivated by this failure mode, we propose score-guided aggregate-validated mixed precision (SGAV-MP), a post-training compression framework that selects layer precisions under reliability constraints. SGAV-MP ranks quantization actions with a compact benefit-risk score and accepts them only after full-model reliability validation on a calibration set. Across five 2D backbones and three 3D benchmarks, SGAV-MP preserves FP32-level Dice and high uncertainty-map agreement, achieving $3.59\times$--$7.8\times$ compression in 2D and $4.73\times$--$7.82\times$ in 3D. We also report backend-supported TensorRT deployment measurements separately to distinguish runtime execution from reliability-preserving storage compression.
• Abstract（参考訳）: 事前訓練された医療セグメンテーションモデルの訓練後の圧縮は、一般的に量子化、プルーニング、蒸留を使用してモデルサイズと計算コストを削減している。 既存の医学セグメンテーション量子化研究は主にDice、モデルサイズ、メモリ、遅延を評価するが、圧縮されたモデルは信頼できない予測を示す不確実な信号を保持する必要があるため、これは安全上重要な用途には不完全である。 圧縮MRI/CTのセグメント化においてこの問題を考察し,不確実性の変化を伴ってDiceが安定に保たれる理由を定式化する。 この障害モードにより,信頼性制約下での層精度を選択するポストトレーニング圧縮フレームワークであるスコア誘導アグリゲーション検証混合精度(SGAV-MP)を提案する。 SGAV-MPは、コンパクトな利害リスクスコアで量子化動作をランク付けし、キャリブレーションセットのフルモデル信頼性検証後にのみ受け入れる。 5つの2Dバックボーンと3つの3Dベンチマークで、SGAV-MPはFP32レベルのDiceと高い不確実性マップの合意を維持し、3Dで3.59\times$--$7.8\times$2Dと4.73\times$--$7.82\times$3Dを達成した。 また、バックエンド対応のTensorRTデプロイメント計測を別々に報告し、ランタイム実行と信頼性保持ストレージ圧縮を区別する。

関連論文リスト

• Quantifying Volumetric Risk: Class-Aware Asymmetric Weighted Conformal Prediction for 3D Medical Image Segmentation [7.597010311037805]
  クラス認識型非対称重み付き等角予測(CA-WCP)を提案する。 いずれのクラスにおいても,CA-WCPが重み付き交換性限界カバレッジを保証していることを示す。 我々はこの間隔をマルチモーダルな大規模言語モデルのための構造化プロンプトにエンコードし、不確実性条件のラジオグラフィーレポートを生成する。
  論文  参考訳（メタデータ） (2026-10-07T03:51:16Z)
• Beyond Retraining-Free MoE Compression: A Cost-Normalized Study of Post-Compression Adjustment [8.26446202479213]
  トレーニングなしのMoE圧縮は、専門家のプルーニングやマージによってデプロイメントメモリを削減するが、圧縮されたチェックポイントを最終アーティファクトとして扱うことが多い。 LMファインチューニングと教師ベースのKDを、マッチングされた小データ予算と測定されたGPUコストで比較した。 Full FTは、オリジナルの圧縮されたパフォーマンスギャップの37.3%を平均で回復する。
  論文  参考訳（メタデータ） (2026-09-05T13:09:29Z)
• Does Compression Preserve Uncertainty? A Unified Benchmark for Quantized and Sparse LLMs via Conformal Prediction [21.411353047208777]
  5つのNLPタスクにまたがる様々な圧縮構成の下で、12の大規模言語モデル(LLM)をベンチマークする。 実験の結果, (I) 圧縮は精度を不確実性から分離することが多く, (II) より大きなモデルでは圧縮誘起不確実性をより効果的に吸収し, (III) 不確実性インフレーションは段階的にではなくしきい値に近いことが多いことがわかった。
  論文  参考訳（メタデータ） (2026-06-01T08:00:17Z)
• Predicting LLM Compression Degradation from Spectral Statistics [2.76240219662896]
  マトリックスレベルの低ランク圧縮は、大きな言語モデルのコストを削減するための有望な方法である。 この計算にコミットする前に圧縮誘起劣化を予測することができるか? 安定なランクと情報密度は,パラメータごとのビット数で測定され,性能劣化が支配的であることがわかった。
  論文  参考訳（メタデータ） (2026-04-20T11:01:19Z)
• Quantized Visual Geometry Grounded Transformer [67.15451442018258]
  本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。 球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。 また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
  論文  参考訳（メタデータ） (2025-09-25T15:17:11Z)
• Robust Conformal Volume Estimation in 3D Medical Images [0.5799785223420274]
  ボリュームトリは3次元医用画像セグメンテーションの主要な下流応用の1つである。 セグメンテーションモデルにより生成された圧縮潜在表現に基づく密度比推定の効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:18:07Z)
• Decoding Compressed Trust: Scrutinizing the Trustworthiness of Efficient LLMs Under Compression [109.23761449840222]
  本研究は,Large Language Models (LLM) の最初の完全評価を行う。 量子化は現在、効率性と信頼性を同時に達成する上で、プルーニングよりも効果的なアプローチであることが分かっています。
  論文  参考訳（メタデータ） (2024-03-18T01:38:19Z)
• Training with Quantization Noise for Extreme Model Compression [57.51832088938618]
  与えられたモデルサイズに対する精度を最大化しながら、コンパクトなモデルを作成するという問題に取り組む。 標準的な解決策は、トレーニング中に重みが定量化され、勾配がストレート・スルー推定器に近似される量子化意識訓練(Quantization Aware Training)でネットワークをトレーニングすることである。 本稿では, この手法を, 極端な圧縮法を用いて, int8 の固定点量子化を超えて機能するように拡張する。
  論文  参考訳（メタデータ） (2020-04-15T20:10:53Z)

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。