論文の概要: Benchmarking Data-Free Continual Model Merging for Whole-Slide Image Survival Analysis

• arxiv url: http://arxiv.org/abs/2610.32207v1
• Date: Fri, 23 Oct 2026 05:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.402257
• Title: Benchmarking Data-Free Continual Model Merging for Whole-Slide Image Survival Analysis
• Title（参考訳）: 全スライディング画像サバイバル解析のためのデータフリー連続モデルマージのベンチマーク
• Abstract要約: 全スライディング画像(WSI)の持続的生存解析では、連続したがんコホートからの知識を統合するモデルが必要である。 モデルマージは、事前のトレーニングデータを保持せずに、独立して微調整されたタスクエキスパートを組み合わせることで、データフリーの代替手段を提供する。
• 参考スコア（独自算出の注目度）: 4.934678371009237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual survival analysis on whole-slide images (WSIs) requires models to integrate knowledge from sequentially arriving cancer cohorts while preserving previously learned information. Model merging offers a data-free alternative by combining independently fine-tuned task experts without retaining previous training data. However, the relative behavior of different merging strategies for WSI-based survival prediction remains insufficiently understood. In this work, we establish an end-to-end benchmark for data-free continual model merging, covering task-specific fine-tuning, sequential merging, and inference under both TASK-IL and CLASS-IL settings. We systematically evaluate six representative merging strategies across four TCGA cancer cohorts and three task orders using C-index, IPCW C-index, Forgetting, and Backward Transfer under a controlled protocol. Results show that no merging strategy consistently dominates across all evaluation criteria, while censoring-aware evaluation can substantially alter the relative ranking of the compared methods. This benchmark provides a unified foundation for developing and evaluating more effective continual model merging methods for WSI-based survival analysis.
• Abstract（参考訳）: 全体スライド画像(WSI)の持続的生存分析では、以前に学習された情報を保持しながら、連続的にガンコホートが到着する際の知識を統合するモデルが必要である。 モデルマージは、事前のトレーニングデータを保持せずに、独立して微調整されたタスクエキスパートを組み合わせることで、データフリーの代替手段を提供する。 しかし、WSIベースの生存予測のための異なるマージ戦略の相対的挙動は未だ十分に理解されていない。 本研究では,TASK-ILとCLASS-ILの両方の設定下で,タスク固有の微調整,シーケンシャルなマージ,推論を対象とする,データフリー連続モデル統合のためのエンドツーエンドベンチマークを確立する。 C-index, IPCW C-index, Forgetting, Backward Transfer の4種類のTCGA癌コホートと3つのタスクオーダにまたがる6つの代表的なマージ戦略を制御プロトコルで体系的に評価した。 その結果,全ての評価基準にマージ戦略が一貫した優位性は認められなかったが,検閲・認識評価は比較手法の相対的ランク付けを著しく変更できることがわかった。 このベンチマークは、WSIベースの生存分析のためのより効果的な継続モデルマージ手法の開発と評価のための統一的な基盤を提供する。

関連論文リスト

• Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis [4.934678371009237]
  モデルマージは、従来の連続学習に代わる実践的な代替手段を提供する。 近年の最先端モデルマージ手法では, 分散シフトに対処するため, テスト時間適応(TTA誘導マージ)を採用している。 本稿では,この手法をリハーサルのない連続的な全スライド画像分類にマッピングするベンチマーク研究を提案する。
  論文  参考訳（メタデータ） (2026-07-06T07:48:00Z)
• MergeSurv: Merging-Based Continual Learning for Survival Analysis on Whole-Slide Images [4.934678371009237]
  本稿では,WSIサバイバル分析のための統合型連続学習フレームワークであるMergeSurvを提案する。 病理視覚言語基礎モデルは,各タスクに対して独立に微調整され,学習されたパラメータは順次統合されたモデルにマージされる。 4つのTCGAコホートの実験では、MergeSurvは、直感的な微調整と、代表的な正規化に基づく、リハーサルベースの継続的学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2026-07-06T07:35:14Z)
• Attention-Based Multimodal Survival Prediction with Cross-Modal Bilinear Fusion [1.4203297056262238]
  患者レベル生存予測のための新しいディープラーニングフレームワークを提案する。 全スライディング組織学の特徴、RNA-seq発現プロファイル、臨床変数を統合している。 我々のアーキテクチャは、スライドレベルの表現のためのAMMILモジュールciteilse2018アテンションと、RNAおよび臨床データのためのフィードフォワードエンコーダを組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-12T13:09:25Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium Segmentation [0.0]
  本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。 提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
  論文  参考訳（メタデータ） (2021-09-20T14:51:42Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。