ダイナミック・ディシジョン・ラーニング：希少疾患における異常のグラウンディングのためのテスト時エボリューション
arXiv cs.CL / 2026/4/29
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- ラベル付きデータが不足し、教師あり微調整が難しい状況でも希少疾患の「異常グラウンディング」を改善する手法として、ダイナミック・ディシジョン・ラーニング（DDL）が提案されている。
- DDLは巨大なビジョン・ランゲージ・モデル（LVLM）を凍結したまま、視覚的摂動下で予測を統合しつつ指示を最適化することで、言語空間と視覚空間の両方で意思決定をテスト時に洗練する。
- Brain imagingのベンチマークで評価した結果（希少疾患データセットには病理タイプ281種が含まれ、3B〜72Bの複数モデルを使用）、DDLは希少疾患ケースでmAP@75を最大105%向上させ、適応ベースラインや教師あり微調整よりも優れた性能を示した。
- 信頼性を表すコンセンサスベースのスコアは、重い分布シフトや課題難度の増加下でも、ローカライゼーション精度とのキャリブレーションがより良いことが示されている。
- 著者はDDLのコードを公開しており、再現やさらなる検討を促している。
