用于缓解多任务组织学评分中负迁移的参数高效子空间解耦ViT
计算机视觉与模式识别
2026-05-29 v1 机器学习
多媒体
摘要
组织学评分是诊断非酒精性脂肪肝病(NAFLD)的关键任务，但其自动化仍面临高标注成本和多任务学习中强相关NAFLD活动评分(NAS)指标之间负迁移的挑战。为此，我们提出一种子空间解耦的多任务Vision Transformer(ViT)，该方法将轻量级任务特定Adapter与正交性约束相结合。该设计为脂肪变性、球塊和炎症构建独立的特征子空间，有效减少任务间干扰，同时保留共享表征。我们进一步构建了一个包含专家标注的多任务小鼠NAFLD组织学数据集，覆盖所有NAS组成部分。实验结果表明，所提方法在计算成本大幅降低的情况下，显著改善了多任务的稳定性和泛化能力。该代码和精选数据集已准备就绪，将在接受录取后公开，以支持可重复性研究。
引用
@article{arxiv.2605.29852,
title = {Parameter-Efficient Subspace Decoupling ViT for Mitigating Multi-Task Negative Transfer in Histological Scoring},
author = {Youhan Huang and Jiajun Li and Yilin Fang and Shuai Wang and Chuheng Li},
journal= {arXiv preprint arXiv:2605.29852},
year = {2026}
}
备注
6 pages, 5 figures, 2 tables. Accepted by IEEE ICME 2026. Camera-ready version