PulseAugur
中
实时 07:48:50
English(EN) MoPET: Parameter-Efficient Mixture-of-Experts for Unified Medical Image Classification

MoPET方法使用混合专家模型进行医学图像分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MoPET，一种利用混合专家（MoE）方法进行医学图像分类的新型参数高效微调（PEFT）方法。MoPET通过采用学习到的稀疏路由器，将输入导向冻结基础模型中的低秩专家子集，从而解决了PEFT中的负迁移问题。这使得跨数据集的容量共享，同时减轻了梯度冲突。在MedMNIST基准上的评估证明了MoPET的有效性，显示出比独立的PEFT适配器更高的准确率，并在与辅助数据集联合训练时，在数据受限的临床目标上表现出增强的性能。 AI

影响 引入了一种提高医学AI应用效率和准确性的新方法。

排序理由 详细介绍医学图像分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

MoPET方法使用混合专家模型进行医学图像分类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sebastian Doerrich, Daniel W\"urtinger, Francesco Di Salvo, Shyam Nandan Rai, Christian Ledig ·

    MoPET：用于统一医学图像分类的参数高效混合专家模型

    arXiv:2607.29462v1 Announce Type: cross Abstract: Adapting deep learning models to profound clinical heterogeneity typically relies on parameter-efficient fine-tuning (PEFT) to avoid the severe overfitting associated with full end-to-end network updates. Although PEFT successfull…

相关实体

相关话题