論文の概要: Gated Prototype Transfer for Zero-Support Medical Vision Language Model

• arxiv url: http://arxiv.org/abs/2610.28350v1
• Date: Tue, 20 Oct 2026 15:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.88169
• Title: Gated Prototype Transfer for Zero-Support Medical Vision Language Model
• Title（参考訳）: ゼロスポーツ医療ビジョン言語モデルのためのGated Prototype Transfer
• Abstract要約: Gated Knowledge-Guided Prototype Transfer (GProtoT) は、サポート対象の視覚的残差を行方不明のクラスに転送するプレレプションモジュールである。 SS-Text+と比較して、ProtoTは不足クラスのリコールを5.23ポイント改善し、平均クラスの精度を1.37ポイント改善した。
• 参考スコア（独自算出の注目度）: 10.915941916692697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Realistic few-shot adaptation of medical vision-language models (VLMs) can leave low-prevalence classes without any labeled support. The training-free SS- Text+ solver remains operational in this setting, but its zero-support prototypes receive no visual adaptation and fall back to a purely textual class prototype. We in- troduce Gated Knowledge-Guided Prototype Transfer (GProtoT), a pre-repulsion module that transfers supported-class visual residuals to missing classes using VLM similarity and an ontology-based clinical distance. A validation-free evidence gate scales transfer based on semantic relevance and residual agreement, thereby limiting unsupported extrapolation. In 50 paired realistic one-shot trials on MESSIDOR with FLAIR features, severe and proliferative diabetic retinopathy were absent from every support set. Relative to SS-Text+, gated ProtoT improved missing-class recall by 5.23 points, average class accuracy by 1.37 points, and the missing/supported recall harmonic mean by 1.83 points. It reduced negative- transfer frequency from 46-48% for ungated transfer to 2%, while at the cost of reductions of 1.20 percentage points in supported-class recall and 0.45 percentage points in top-1 accuracy. These results indicate that evidence-based gating provides a safety mechanism for the knowledge source. GProtoT is based on SS- Text+ and requires no gradients, validation data, or additional model inference, of- fering a low-compute path toward accountable adaptation under incomplete clini- cal supervision. Code is available: https://github.com/sumaiyaafridi/GProtoT
• Abstract（参考訳）: 医用視覚言語モデル(VLM)の現実的な少数ショット適応は、ラベル付きサポートなしで低頻度クラスを残せる。 トレーニングフリーのSS-Text+ソルバはこの設定で運用されているが、ゼロサポートのプロトタイプは視覚的な適応を受けず、純粋にテキストのクラスプロトタイプにフォールバックする。 我々は,VLM類似性およびオントロジーに基づく臨床距離を用いて,サポート対象の視覚的残像を欠損クラスに転送するプレリパルスモジュールGProtoT(Gated Knowledge-Guided Prototype Transfer, GProtoT)について検討した。 検証不要なエビデンスゲートは、意味的関連性と残留合意に基づいて転送をスケールし、不要な外挿を制限する。 FLAIRとMESSIDORを併用した50対のリアル・ワンショット・トライアルでは, 重症および増殖性糖尿病網膜症はすべての支持群に認められなかった。 SS-Text+とは対照的に、ゲートProtoTは不足クラスのリコールを5.23ポイント改善し、平均クラスの精度を1.37ポイント改善し、失った/サポートされたリコールハーモニック平均を1.83ポイント改善した。 負の転送周波数を46-48%から2%に減らし、サポートされたクラスのリコールで1.20ポイント、トップ1の精度で0.45ポイント削減した。 これらの結果は,エビデンスに基づくゲーティングが知識源の安全メカニズムを提供することを示している。 GProtoTはSS-Text+をベースにしており、勾配や検証データ、追加のモデル推論を必要としない。 コードは、https://github.com/sumaiyaafridi/GProtoT

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• A Controlled Audit of Pretraining Contamination in Public Medical Vision-Language Benchmarks [46.43161388634735]
  医用視覚言語モデル(VLM)は、画像と質問応答ペアが何年も無料でダウンロードされている公開ベンチマークで評価される。 SLAKE-En,PathVQA,VQA-RAD,および4つの検出器ファミリを用いたOmniMedVQAミラーのオープンVLMを検査した。
  論文  参考訳（メタデータ） (2026-06-08T18:40:10Z)
• The Language of Elution: Autoregressive Prediction of the Next Feature in Untargeted LC-HRMS Lipidomics [0.0]
  SCIEX TripleTOF 6600+, Waters CSH C18)による4種類の臨床リポソームコホートからの15,242種の特徴の訓練 LSTMは98.4%の精度(99.99%のトップ5、平均絶対誤差3.6Da)、トランスフォーマー98.0%に達する。 これらの結果から, 溶出シーケンスは予測可能であり, メタボロミクスのアノテーションカバレッジを向上させるため, 予測MS/MS獲得の基盤となることが確認された。
  論文  参考訳（メタデータ） (2026-06-02T10:42:17Z)
• Auditing Frontier Vision-Language Models for Trustworthy Medical VQA: Grounding Failures, Format Collapse, and Domain Adaptation [4.177028541321909]
  医療用VQAの5つの視覚言語モデル(VLM)を2つの信頼関連軸に沿って評価する。 モデルは解剖学的および病理学的ターゲットを不十分にローカライズする。 同じモデルをローカライズして回答するセルフグラウンドパイプラインは、VQAの精度を低下させる。
  論文  参考訳（メタデータ） (2026-04-30T11:11:47Z)
• ProtoCLIP: Prototype-Aligned Latent Refinement for Robust Zero-Shot Chest X-Ray Classification [3.428885759047836]
  私たちは、CLIPスタイルの視覚言語モデル(VLM)の洗練戦略であるProtoCLIPを提案する。 我々は,共起バイアスを低減するために,陰性標本をキュレートした病理学習サブセットを構築した。 また, セマンティック構造を維持しつつ適応を安定させるため, 表現保存蒸留の目的も導入した。
  論文  参考訳（メタデータ） (2026-04-20T16:01:44Z)
• Retinal Disease Classification from Fundus Images using CNN Transfer Learning [0.0]
  我々は、ベースライン畳み込みニューラルネットワークと、事前訓練されたVGG16バックボーンを用いたトランスファーラーニングアプローチを実装し、比較する。 VGG16転送学習モデルは、重み付きF1スコアの0.90で90.8%のテスト精度を達成し、ベースラインCNNを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-03-24T23:40:48Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Evolutionary Retrofitting [42.21143557577615]
  AfterLearnERは、完全に訓練された機械学習モデルに進化的手法を含む、微分不可能な最適化を適用することで構成される。 AfterLearnERの効率は、奥行き検知におけるしきい値に基づく基準、音声合成における単語誤り率、3次元生成逆数ネットワーク(GAN)における画像品質といった、識別不能な信号に対処することによって実証される。 AfterLearnERの利点は、その汎用性(グラデーションは必要ない)、人間の評価、限定的なオーバーフィッティング、理論的な研究、そしてその常に振舞いなど、微分不可能なフィードバックを使用することである。
  論文  参考訳（メタデータ） (2024-10-15T06:59:32Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)

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。