arXiv cs.AI· Gyutae Oh, Jitae Shin·· 12 小时前AI 评分27
UniPrompt-CL：面向医学图像分类的单次推理持续学习框架
UniPrompt-CL: Efficient Single-Inference Continual Learning for Medical Image Classification
AI 导读
UniPrompt-CL 是一个无需回放、单骨干单次推理的域增量学习框架，在 Transformer 各层间共享统一提示词池，每个新域仅扩展少量提示词。在糖尿病视网膜病变数据集上，其平均准确率较最强同骨干基线提升 2.0 个百分点并大幅降低遗忘；在皮肤癌数据集上以 DINOv2-B 配置中最低训练成本取得有竞争力的准确率。该工作已被 WACV 2027 接收。
正文 · AI 翻译
摘要：随着数据分布在医院、成像设备和患者群体之间发生变化，医疗 AI 系统必须保持可靠，而隐私限制往往使得无法存储或重新访问过去的患者数据。我们提出 UniPrompt-CL，一种无需回放的领域增量学习框架，用于医学图像分类，仅使用单一骨干网络和单次推理。UniPrompt-CL 不依赖多个骨干网络、重复的 ViT 推理或独立的逐层提示池，而是在 Transformer 层之间共享一个统一的提示池，并且每个新领域仅用少量提示进行扩展。这减少了跨层冗余，同时实现了高效适应。在糖尿病视网膜病变上，UniPrompt-CL 相比最强的骨干匹配基线将平均准确率提高了 2.0 个百分点，并大幅减少了遗忘。在皮肤癌上，它在 DINOv2-B 配置中以最低的训练成本实现了有竞争力的准确率。仅改变池组织方式的受控比较表明，收益来自保留而非学习每个新领域：它在医学基准上最大，在 OfficeHome 上较小，而在异构的六阶段 DomainNet 流上则反转。这些结果表明，跨层提示共享与轻量扩展对于需要在有限现场算力下反复重新训练的医疗模型是实用的，同时识别了其发挥作用的领域偏移。
| 评论： | 被 WACV 2027 接收。18 页，包括补充材料 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2508.10954 [cs.LG] |
| （或此版本的 arXiv:2508.10954v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2508.10954 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Gyutae Oh [查看邮箱]
[v1]
2025 年 8 月 14 日星期四 06:46:14 UTC（1,491 KB）
[v2]
2026 年 3 月 13 日星期五 09:28:06 UTC（20,329 KB）
[v3]
2026 年 10 月 21 日星期三 13:04:32 UTC（3,379 KB）
来源：arXiv cs.AI · arxiv.org