論文の概要: PACE-MoE: Adaptive Domain Sampling and Domain-Specific LoRA for Medical Visual Grounding

• arxiv url: http://arxiv.org/abs/2610.27656v1
• Date: Tue, 20 Oct 2026 05:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.66097
• Title: PACE-MoE: Adaptive Domain Sampling and Domain-Specific LoRA for Medical Visual Grounding
• Title（参考訳）: PACE-MoE: 医用ビジュアルグラウンドのための適応型ドメインサンプリングとドメイン特化LoRA
• Abstract要約: PACE-MoEは、適応的なドメインサンプリングと、医療的な視覚的接地のためのドメイン固有の適応を共同で実行するポリシー誘導フレームワークである。 7つの医用画像領域にわたる実験により、PACE-MoEは固定領域トレーニングよりも接地性能を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 83.42460956195374
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Medical visual grounding requires models to align clinical descriptions with spatial evidence across heterogeneous imaging domains. However, existing multi-domain post-training strategies typically rely on fixed domain sampling and shared parameter updates, overlooking the need to adapt both which domains receive training and where their updates are applied. To address this issue, we propose PACE-MoE, a policy-guided framework that jointly performs adaptive domain sampling and domain-specific adaptation for medical visual grounding. PACE dynamically assesses the training value of each imaging domain from current-policy feedback and progressively adjusts domain coverage through domain admission, replay, and final all-domain balancing. Meanwhile, domain-specific LoRA adapters route updates to the corresponding imaging domains while preserving the pretrained backbone and visual encoder. This coordinated design aligns training-data allocation with parameter adaptation without modifying the original reward formulation or Group Relative Policy Optimization (GRPO) objective. Experiments across seven medical imaging domains show that PACE-MoE consistently improves grounding performance over fixed-domain training, achieving a 3.64% relative improvement in mean box IoU over the Vanilla baseline. Under matched domain-specific adapter architectures, adaptive sampling alone further improves mean box IoU by 2.07%, demonstrating the benefit of policy-guided domain allocation. These results establish coordinated data-parameter routing as an effective strategy for multi-domain medical visual grounding.
• Abstract（参考訳）: 医用ビジュアルグラウンドティングは、臨床記述と異種画像領域にわたる空間的証拠を整合させるモデルを必要とする。 しかし、既存のマルチドメインのポストトレーニング戦略は、通常、固定されたドメインサンプリングと共有パラメータの更新に依存しており、どのドメインがトレーニングを受け、どこで更新が適用されるかを理解する必要がある。 PACE-MoEは、適応型ドメインサンプリングと、医用視覚接地のためのドメイン固有の適応を共同で行う政策誘導型フレームワークである。 PACEは、現在の政治フィードバックから各画像領域のトレーニング値を動的に評価し、ドメインの受け入れ、リプレイ、最終的な全ドメインバランスを通じてドメインカバレッジを段階的に調整する。 一方、ドメイン固有のLoRAアダプタは、トレーニング済みのバックボーンとビジュアルエンコーダを保持しながら、対応するイメージングドメインへの更新をルートする。 この協調設計は、トレーニングデータのアロケーションとパラメータ適応を、元の報酬の定式化やグループ相対政策最適化(GRPO)の目的を変更することなく調整する。 7つの医用画像領域での実験では、PACE-MoEは固定領域トレーニングよりも着地性能を一貫して改善し、バニラベースラインよりも平均IoUが3.64%向上した。 整合したドメイン固有のアダプタアーキテクチャの下では、アダプティブサンプリングのみが平均ボックスIoUを2.07%改善し、ポリシ誘導されたドメインアロケーションのメリットを示している。 これらの結果から,多領域の医用視覚接地のための効果的な戦略として,協調型データパラメータルーティングが確立された。

関連論文リスト

• Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging? [2.0202525145391093]
  そこで本研究では,所定の基準に類似した人工心臓MR画像を生成するソースドメイン上で訓練された拡散モデルを提案する。 合成データは、空間的および構造的忠実性を維持し、ソースドメインと類似性を確保し、セグメンテーションマスクとの互換性を確保する。 ドメイン一般化、ドメイン不変セグメンテーションモデルは、合成ソースドメインデータに基づいて訓練され、ドメイン適応では、DMを用いてターゲットドメインデータをソースドメインへシフトする。
  論文  参考訳（メタデータ） (2025-08-08T13:57:48Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Towards Unified and Adaptive Cross-Domain Collaborative Filtering via Graph Signal Processing [48.04521184170971]
  CDR(Cross-Domain Recommendation)は、疎いターゲットドメインのレコメンデーションを改善するために高密度ドメインを活用することで、有望なソリューションとして登場した。 グラフ信号処理(GSP)に基づく統一適応型CDRフレームワークCGSPを提案する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• DomainVerse: A Benchmark Towards Real-World Distribution Shifts For Tuning-Free Adaptive Domain Generalization [27.099706316752254]
  我々はAdaptive Domain Generalization (ADG)のための新しいデータセットDomainVerseを確立する。 DomainVerseは、導入した階層的なドメインシフトの定義に相応しく、390のきめ細かい現実的なドメインから約0.5万の画像で構成されている。 チューニング不要適応型ドメイン一般化のためのDomain CLIPとDomain++ CLIPという2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T07:10:25Z)
• Test-time Adaptation in the Dynamic World with Compound Domain Knowledge Management [75.86903206636741]
  テスト時間適応(TTA)により、モデルは新しい環境に適応し、テスト時間中にパフォーマンスを向上させることができる。 TTAのいくつかの研究は、継続的に変化する環境において、有望な適応性能を示している。 本稿ではまず,複合ドメイン知識管理を用いた堅牢なTTAフレームワークを提案する。 次に、ソースと現在のターゲットドメイン間のドメイン類似性を用いて適応率を変調する新しい正規化を考案する。
  論文  参考訳（メタデータ） (2022-12-16T09:02:01Z)
• ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for Open Compound Domain Adaptation in Semantic Segmentation [78.19743899703052]
  オープン化合物ドメイン適応(OCDA)は、ターゲットドメインを複数の未知の同質体の化合物とみなしている。 目的とするサブドメインに適応するために,双方向光度ミキシングを用いたマルチテキサフレームワークを提案する。 適応蒸留を行い、学生モデルを学習し、整合性正規化を適用して生徒の一般化を改善する。
  論文  参考訳（メタデータ） (2022-07-19T03:30:48Z)
• Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
  クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。 提案手法は、ドメイン適応のための最先端手法を一貫して上回る。 Cityscapesデータセットで60.2% mIoUを達成した。
  論文  参考訳（メタデータ） (2022-04-18T16:50:46Z)
• An End-to-end Supervised Domain Adaptation Framework for Cross-Domain Change Detection [29.70695339406896]
  クロスドメイン変更検出のためのエンドツーエンドのドメイン適応フレームワークを提案する。 SDACDは画像と特徴の両方の観点から協調的な適応と教師あり学習を提示する。 我々のフレームワークは、いくつかの代表的ベースラインモデルを新しいState-Of-The-Artレコードに押し上げる。
  論文  参考訳（メタデータ） (2022-04-01T01:35:30Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。