論文の概要: MOSAIC: Towards a Universal Latent Space for Computational Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2610.33059v1
• Date: Mon, 19 Oct 2026 10:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.2322
• Title: MOSAIC: Towards a Universal Latent Space for Computational Pathology Foundation Models
• Title（参考訳）: MOSAIC:計算病理基盤モデルのための普遍的潜在空間を目指して
• Abstract要約: 病理基盤モデル(PFM)は、アーキテクチャ、事前学習目的、トレーニングデータ、表現次元において大きく異なる。 提案するMOSAICは,12ドルのパッチレベルと6ドルのスライドレベルのPFMを対象とする,遅延空間の類似性,アライメント,相互運用性の体系的な研究である。
• 参考スコア（独自算出の注目度）: 1.140634831132165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathology foundation models (PFMs) differ substantially in architecture, pretraining objective, training data and representation dimensionality, yet it remains unclear whether they learn fundamentally different feature spaces or alternative coordinate systems of a shared underlying representation. We present MOSAIC, a systematic study of latent-space similarity, alignment and interoperability across $12$ patch-level and $6$ slide-level PFMs. We first quantify representational agreement using complementary similarity measures and analyze how architecture, pretraining objective, network depth and magnification influence latent geometry. We then evaluate multiple alignment strategies for mapping independently learned representations into a common latent space. The resulting representations are evaluated through cross-model agreement, retrieval, geometry preservation, and downstream multiple-instance learning across molecular and morphological prediction tasks. MOSAIC provides a unified framework for studying whether heterogeneous PFMs can move beyond representational similarity toward a shared and functionally transferable pathology representation space. Our code, benchmarks and additional results are available at https://researchsubmissions66.github.io/MOSAIC/.
• Abstract（参考訳）: 病理基盤モデル (PFM) は, アーキテクチャ, 事前学習, トレーニングデータ, 表現の次元性において大きく異なるが, 基本的特徴空間や, 共通基盤表現の代替座標系を学習するかどうかは不明である。 提案するMOSAICは,12ドルのパッチレベルと6ドルのスライドレベルPFMを対象とする,遅延空間の類似性,アライメント,相互運用性に関する体系的な研究である。 まず、補完的な類似度尺度を用いて表現の一致を定量化し、アーキテクチャ、事前学習目標、ネットワーク深さ、拡大が潜時幾何学にどのように影響するかを分析する。 次に、独立に学習した表現を共通の潜在空間にマッピングするための複数のアライメント戦略を評価する。 得られた表現は、分子的および形態的予測タスクを通して、クロスモデル合意、検索、幾何学的保存、下流の多重インスタンス学習を通じて評価される。 MOSAICは、異種PFMが表現の類似性を超えて、共有かつ機能的に伝達可能な病理表現空間へ移動できるかどうかを研究するための統一的なフレームワークを提供する。 私たちのコード、ベンチマーク、その他の結果はhttps://researchsubmissions66.github.io/MOSAIC/で公開されています。

関連論文リスト

• Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation [73.37038385412892]
  フェデレートラーニング(Federated Learning)は、医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 既存の表現ベースのメソッドには2つの制限がある。 We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
  論文  参考訳（メタデータ） (2026-10-03T18:26:17Z)
• Understanding Submodular Information Measure Based Objectives for Representation Learning: A Variance and Separation Perspective [3.9890357781493595]
  サブモーダル情報尺度(SIM)は、表現学習と多モーダル学習のための強力なフレームワークとして登場した。 我々は,SIMを表現学習や統計的パターン認識の古典的概念に結びつける統一理論フレームワークを開発した。 この結果から, サブモジュラー情報測度の統一的, 統計的理解が得られた。
  論文  参考訳（メタデータ） (2026-07-30T04:17:17Z)
• Speaking the Language of Science: Toward a General-Purpose Generative Foundation Model for the Natural Sciences [89.71422932447423]
  LOGOSは、自然科学における異種タスクを統一する科学生成言語モデルである。 空間的接触パターンと制約パターンを離散トークンとして表現することにより、モデルは純粋にシーケンシャルな方法で複雑な構造的相互作用をキャプチャする。 多様なタスクにわたって、LOGOSは一貫してドメイン固有のベースラインにマッチまたは性能を向上する。
  論文  参考訳（メタデータ） (2026-06-15T16:14:53Z)
• Uncovering the Latent Potential of Deep Intermediate Representations [16.988545433223933]
  タスク関連情報は,非単調に層に分散し,ナブアグリゲーションによって回復できないことを示す。 本稿では,タスク識別サブ空間を識別する構成的スペクトル法であるレイヤワイズ最適埋め込み選択(LOES)を紹介する。 提案手法は,意味的因子を層に分散させることで,言語間およびモーダル間の解釈可能性の分析を可能にする。
  論文  参考訳（メタデータ） (2026-05-21T20:58:42Z)
• SEMASIA: A Large-Scale Dataset of Semantically Structured Latent Representations [12.185380843937196]
  約1,700個の事前学習された視覚モデルから抽出した潜在表現の大規模コレクションであるSEMASIAを紹介する。 個々の潜在空間の概念的構造を解析し、一貫したプロトタイプのようなクラスタリングを示す。 プレトレーニングデータの複雑性,特殊化,伝達学習,拡張,モデルスケールが,埋め込みの幾何学的および探索的特性とどのように関係しているかを,大規模回帰分析により解析する。
  論文  参考訳（メタデータ） (2026-05-10T11:42:36Z)
• Integrated representational signatures strengthen specificity in brains and models [8.045700364123645]
  similarity Network Fusion (SNF) は、もともとマルチオミクスデータ統合のために開発されたフレームワークである。 SNFは、単一のメートル法よりもかなりシャープな地域レベルとモデル家族レベルの分離を生成する。 SNF由来の類似度スコアを用いた皮質領域のクラスタリングは、より明確な階層構造を示す。
  論文  参考訳（メタデータ） (2025-10-21T04:37:27Z)
• A Data-driven Typology of Vision Models from Integrated Representational Metrics [8.045700364123645]
  大規模ビジョンモデルは、アーキテクチャやトレーニングのパラダイムにおいて大きく異なるが、家族間で表現のどの側面が共有されているかを決定するための原則的な方法が欠如している。 表現的類似度メトリクスの組を活用し、それぞれ異なる顔-幾何学、ユニットチューニング、線形な陰極性、および家族分離性を評価する。 我々は、これらの相補的なファセットを統合するために、マルチオミクス統合にインスパイアされたSimisity Network Fusion(SNF)を適用する。
  論文  参考訳（メタデータ） (2025-09-25T21:46:09Z)
• Enhancing Representations through Heterogeneous Self-Supervised Learning [63.453024759497545]
  本稿では,HSSL(Heterogeneous Self-Supervised Learning)を提案する。 HSSLは、構造的変化を伴わない表現学習方式で、ベースモデルに新しい特徴を付与する。 HSSLは、様々な自己教師型メソッドと互換性があり、様々な下流タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-08T10:44:05Z)
• The Geometry of Self-supervised Learning Models and its Impact on Transfer Learning [62.601681746034956]
  自己教師型学習(SSL)はコンピュータビジョンにおいて望ましいパラダイムとして登場した。 本稿では,各特徴空間内の局所的近傍を用いて異なるSSLモデルを分析するためのデータ駆動幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T18:15:38Z)

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。