Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.00805

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.00805 (cs)
[提交于 2025年6月1日 ]

标题: HSCR:用于对齐医学视觉语言模型的分层自对比奖励

标题: HSCR: Hierarchical Self-Contrastive Rewarding for Aligning Medical Vision Language Models

Authors:Songtao Jiang, Yan Zhang, Yeying Jin, Zhihang Tang, Yangyang Wu, Yang Feng, Jian Wu, Zuozhu Liu
摘要: 医学视觉语言模型(Med-VLMs)在各种任务中取得了成功,但大多数现有方法忽略了可能导致临床环境中不可信响应的模态错配问题。 本文提出了一种名为分层自对比奖励(HSCR)的新方法,解决了Med-VLM对齐中的两个关键挑战:1)以成本效益的方式生成高质量的偏好数据;2)捕获细微且上下文感知的偏好以提高对齐效果。 HSCR首先利用Med-VLMs内在的能力,以更高的采样概率生成不受欢迎的响应。 通过分析视觉标记丢弃后的输出对数偏移量,我们识别出导致错配的模态耦合标记,并推导出一个隐式的对齐奖励函数。 该函数在解码过程中引导幻觉标记的替换,生成高质量的不受欢迎的数据。 此外,HSCR引入了多级偏好优化策略,通过结合细微的隐式偏好和利用不受欢迎数据中的相对质量来捕捉微妙的对齐线索,从而超越传统的相邻级别优化策略,实现更精确且上下文感知的优化。 在多个医疗任务上的广泛实验,包括Med-VQA、医疗图像描述生成和指令遵循,表明HSCR不仅提升了零样本性能,而且仅用2,000个训练条目就显著提高了模态对齐和可信度。
摘要: Medical Vision-Language Models (Med-VLMs) have achieved success across various tasks, yet most existing methods overlook the modality misalignment issue that can lead to untrustworthy responses in clinical settings. In this paper, we propose Hierarchical Self-Contrastive Rewarding (HSCR), a novel approach that addresses two critical challenges in Med-VLM alignment: 1) Cost-effective generation of high-quality preference data; 2) Capturing nuanced and context-aware preferences for improved alignment. HSCR first leverages the inherent capability of Med-VLMs to generate dispreferred responses with higher sampling probability. By analyzing output logit shifts after visual token dropout, we identify modality-coupled tokens that induce misalignment and derive an implicit alignment reward function. This function guides token replacement with hallucinated ones during decoding, producing high-quality dispreferred data. Furthermore, HSCR introduces a multi-level preference optimization strategy, which extends beyond traditional adjacent-level optimization by incorporating nuanced implicit preferences, leveraging relative quality in dispreferred data to capture subtle alignment cues for more precise and context-aware optimization. Extensive experiments across multiple medical tasks, including Med-VQA, medical image captioning and instruction following, demonstrate that HSCR not only enhances zero-shot performance but also significantly improves modality alignment and trustworthiness with just 2,000 training entries.
主题: 计算机视觉与模式识别 (cs.CV) ; 计算与语言 (cs.CL)
引用方式: arXiv:2506.00805 [cs.CV]
  (或者 arXiv:2506.00805v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.00805
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Songtao Jiang [查看电子邮件]
[v1] 星期日, 2025 年 6 月 1 日 03:11:00 UTC (6,418 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号