PulseAugur
中
实时 16:53:02
English(EN) Learning to Trim: End-to-End Causal Graph Pruning with Dynamic Anatomical Feature Banks for Medical VQA

新框架修剪因果图以提升医学VQA模型泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为“可学习因果修剪”（LCT）的新框架，以提高医学视觉问答（MedVQA）模型的泛化能力。该方法将因果修剪直接集成到端到端优化过程中。LCT利用动态解剖特征库（DAFB）来捕获常见模式，并使用可微分修剪模块来抑制与这些全局原型相关的特征，从而鼓励模型专注于实例特定的证据。在多个医学VQA数据集上的实验表明，与现有的去偏方法相比，LCT提高了鲁棒性和泛化能力。 AI

影响 通过优先考虑因果信号而非虚假相关性，增强了医学VQA模型的鲁棒性和泛化能力。

排序理由 该集群包含一篇详细介绍新框架和实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Zibo Xu, Qiang Li, Weizhi Nie, Yuting Su ·

    Learning to Trim: End-to-End Causal Graph Pruning with Dynamic Anatomical Feature Banks for Medical VQA

    arXiv:2603.26028v2 Announce Type: replace Abstract: Medical Visual Question Answering (MedVQA) models often exhibit limited generalization due to reliance on dataset-specific correlations, such as recurring anatomical patterns or question-type regularities, rather than genuine di…

相关实体

相关话题