研究量化医学影像中VLM伪标签何时开始有害
热点事件持续更新
研究量化医学影像中VLM伪标签何时开始有害
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Bruce Changlong Xu 等发布论文（arXiv:2605.24771），在 PatchCamelyon、ISIC 2019 和 NIH ChestX-ray14 三个医学影像基准上，用 BiomedCLIP 与 PubMedCLIP 的伪标签训练六种学生模型，测量弱标签从有益转为有害的交叉点。 结果显示：ISIC 2019 上专家标签超过 20–50 个、PatchCamelyon 上约 100 个、NIH ChestX-ray14 上 250–500 个后，弱标签开始有害。弱标签性能上限稳定在 0.024 AUC 范围内（0.841–0.865），表明限制性能的是 VLM 标注器本身而非学生模型规模。
AI 根据报道生成 · 1 小时前更新
最新进展10月23日 12:00
从理论到决策规则：在三个医学影像基准上校准视觉语言模型弱监督的噪声标签交叉点报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.AI从理论到决策规则：在三个医学影像基准上校准视觉语言模型弱监督的噪声标签交叉点
一项研究测量了医学影像中视觉语言模型（BiomedCLIP、PubMedCLIP）伪标签何时停止助益：弱标签在 ISIC 2019 上超过 20–50 个专家标签、PatchCamelyon 上约 100 个、NIH ChestX-ray14 上 250–500 个后开始有害。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。