局部标签如何为医疗VQA换取认证覆盖率

局部标签适配可显著提升医疗VQA认证覆盖率，但依赖预算与模型。

资讯摘要

论文在Learn-then-Test框架下，以问题为可交换单元，考察九个置信度估计器在五个通用开放权重VLM和三个医疗VQA基准上的认证表现。作者报告：自然图像上训练的估计器迁移效果差，最佳合并证书在20%误差容忍下仅覆盖SLAKE 11.5%的答案，PATH-VQA上为零；用1000个标注SLAKE问题、其中一半做适配，可将合并认证覆盖率从6.8%提升到37.6%。

要点速读

1. 自然图像训练的置信度估计器迁移到医疗VQA表现差：最佳合并证书在20%误差容忍下覆盖SLAKE 11.5%答案，PATH-VQA上无覆盖。
2. 用1000个标注SLAKE问题、一半用于适配探针，合并认证覆盖率由6.8%升至37.6%，高于最佳仅调阈值估计器的11.3%。
3. PATH-VQA上用2500个标签适配可认证11.4%，仅调阈值则无认证；强单模型小预算更适合调阈值，且10%与5%误差下均无合并证书。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。