論文の概要: QCAP-VQA: Question-Conditioned Capped Prior-Mass Supervision for Medical Visual Question Answering
- arxiv url: http://arxiv.org/abs/2611.17708v1
- Date: Fri, 13 Nov 2026 03:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.298726
- Title: QCAP-VQA: Question-Conditioned Capped Prior-Mass Supervision for Medical Visual Question Answering
- Title(参考訳): QCAP-VQA:医学的視覚的質問応答のための質問内容付きプレマススーパービジョン
- Abstract要約: 本稿では,QCAP-VQAについて述べる。
カプセル化された前質量目的物は、しきい値以下の前質量内の十分な注意を罰する。
本研究は,同一画像における問合せ間の注意のずれから,訓練において何の役割も果たさないSLAKE構造箱に対する注意度を評価した。
- 参考スコア(独自算出の注目度): 6.917382725644004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical visual question answering models can answer correctly without attending to the anatomy that the question names. Automatic region priors allow spatial supervision without expert masks, but they are noisy, and it is unclear how strongly they should shape attention and how their effect should be verified. We present QCAP-VQA, which supervises a subset of cross-attention heads with a question-conditioned prior built from ranked segmentation proposals. Its capped prior-mass objective penalizes insufficient attention inside the prior only below a threshold. We evaluate attention against SLAKE structure boxes that play no role in training, separating attention on the named anatomy from how attention shifts between questions about the same image. QCAP-VQA matches the accuracy of a baseline without spatial supervision (84.26% vs. 84.23%), and every evaluated prior-supervised model places more attention on the annotated structures. Over a 64-fold range of regularization strength, the capped objective keeps prior mass between 0.67 and 0.77, whereas a pooled region-mass objective drives it to 0.97 and loses accuracy. The cost lies in question conditioning: as the constraint widens or strengthens, attention shifts agree less with the expert-defined contrast. Across 13 configurations, prior-referenced and expert-referenced evaluation rank the models in largely opposite order (Spearman correlation of -0.87), and the capped models it favors track the prior's own errors. Because clinical use of medical visual question answering requires answers grounded in the queried anatomy, supervision from automatic priors should be judged against independent anatomical references.
- Abstract(参考訳): 医学的な視覚的質問応答モデルでは、疑問が命名する解剖学に出席することなく、正しく答えることができる。
自動的な領域の先行は、専門家のマスクを使わずに空間的な監視を許すが、ノイズがあり、どのように注意を形作るべきか、どのようにその効果を検証するべきかは不透明である。
本稿では,階層化提案から構築した質問条件付き頭頂部のサブセットを監督するQCAP-VQAを提案する。
カプセル化された前質量目的物は、しきい値以下の前質量内の十分な注意を罰する。
本研究は,同一画像における問合せ間の注意のずれから,訓練において何の役割も果たさないSLAKE構造箱に対する注意度を評価した。
QCAP-VQAは空間的監督のないベースラインの精度(84.26%対84.23%)と一致し、評価された事前監督されたモデルはすべて注釈付き構造により多くの注意を払っている。
64倍の正則化強度で、カプセル化された対象物は前質量を0.67から0.77に保ち、プールされた領域質量の目標物は0.97に駆動し、精度が低下する。
制約が拡大または強化されるにつれて、注意のシフトは専門家が定義したコントラストとあまり一致しない。
13のコンフィグレーション、事前参照および専門家による評価は、モデルをほぼ反対の順にランク付けする(スピアマン相関は-0.87)。
医学的視覚的質問応答の臨床的利用には, 解剖学的根拠に基づく回答が必要であるため, 自動的前科からの監督は解剖学的独立した基準から判断すべきである。
関連論文リスト
- Same Space or Not: Benchmarking Spatial Intelligence Through Cross-View Contradictions [80.65137714222533]
スペース・アンド・ノット(Space or Not)は、クロスビューの矛盾解決のベンチマークである。
人間は83.3%の精度を達成しており、最強の視覚言語モデルでは39.7%である。
論文 参考訳(メタデータ) (2026-10-09T17:54:57Z) - ERQA-Plus: A Diagnostic Benchmark for Reasoning in Embodied AI [14.957780321740394]
ERQA-Plusは、組み込みAIの推論のための診断ベンチマークである。
711のロボット中心の画像に1,766件の質問応答がある。
論文 参考訳(メタデータ) (2026-06-16T07:56:33Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳(メタデータ) (2025-10-21T17:18:55Z) - Evaluating Reasoning Faithfulness in Medical Vision-Language Models using Multimodal Perturbations [19.488236277427358]
視覚言語モデル(VLM)は、しばしばチェーン・オブ・シント(CoT)の説明を生み出す。
胸部X線視覚質問応答(VQA)の臨床的基盤として,制御されたテキストと画像修正を用いてCoT忠実度を探索するフレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-13T09:28:22Z) - MedOmni-45°: A Safety-Performance Benchmark for Reasoning-Oriented LLMs in Medicine [69.08855631283829]
我々は,操作的ヒント条件下での安全性能トレードオフの定量化を目的としたベンチマークであるMed Omni-45 Degreesを紹介する。
6つの専門分野にまたがる1,804の推論に焦点を当てた医療質問と3つのタスクタイプが含まれており、その中にはMedMCQAの500が含まれる。
結果は、モデルが対角線を超えることなく、一貫した安全性と性能のトレードオフを示す。
論文 参考訳(メタデータ) (2025-08-22T08:38:16Z) - Identifying and Evaluating Inactive Heads in Pretrained LLMs [74.93559410792646]
本研究では,頭部の不活性度を計測する13のスコア関数の分類法を提案する。
平均して12%以上の注意頭は活動せず、特定の文脈で改善することができる。
スコア分布を測定することで、注意行動に対する洞察が得られることを示す。
論文 参考訳(メタデータ) (2025-04-04T19:28:23Z) - Guiding Visual Question Answering with Attention Priors [76.21671164766073]
本稿では,言語・視覚的接地による注意機構の導出について述べる。
この基礎は、クエリ内の構造化言語概念を視覚オブジェクト間の参照物に接続することで導かれる。
このアルゴリズムは、注意に基づく推論モデルを調べ、関連する連想的知識を注入し、コア推論プロセスを制御する。
論文 参考訳(メタデータ) (2022-05-25T09:53:47Z) - Reliable Visual Question Answering: Abstain Rather Than Answer
Incorrectly [100.60560477391732]
我々は、信頼性のある視覚的質問応答(VQA)のための問題定式化を促進する。
私たちは、彼らのカバレッジ、回答された質問の一部、そしてその部分のエラーの両方を分析します。
最高のパフォーマンスモデルは、VQA v2データセットで71%以上の精度を達成するが、そのオプションを導入することで、低いエラー(1%)のリスクを達成するために、8%未満の質問に答えることが制限されることがわかった。
これにより、マルチモーダル選択関数を用いて、予測された回答の正しさを直接推定し、例えば5.0%から16.7%のカバレッジを3倍にすることができることを示す。
論文 参考訳(メタデータ) (2022-04-28T16:51:27Z)
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。