Исследователи представляют TCLA, полностью свободный от обучения метод быстрой адаптации на нескольких примерах (few-shot), предназначенный для повышения эффективности медицинских моделей зрения и языка (VLM) на данных с распределением, отличным от обучающего. Метод корректирует инференсные логиты с помощью небольшого набора опорных выборок, чтобы улучшить разделение классов и уменьшить доменный сдвиг без введения обучаемых компонентов.

  • TCLA не зависит от модели и работает быстро, устраняя проблемы нестабильности, присущие существующим методам few-shot, которые опираются на дополнительные обучаемые параметры.
  • Он улучшает показатели на девяти наборах данных, охватывающих несколько модальностей медицинской визуализации, включая рентген, УЗИ, МРТ, КТ и гистопатологию.
  • В большинстве случаев TCLA превосходит существующие методы адаптации с обучением, сохраняя при этом устойчивость к различным типам медицинских данных.

Этот подход предлагает стабильную альтернативу для адаптации предварительно обученных VLM в условиях крайне малого объема данных, где традиционные методы few-shot могут дать сбой.