Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting

Ce travail introduit une fonction de perte de repondération de jetons pour améliorer l'efficacité des données lors de l'entraînement de modèles vision-langage pour la génération de rapports médicaux. En priorisant les jetons sémantiquement pertinents, la méthode atteint une qualité de rapport comparable en utilisant jusqu'à dix fois moins de données d'entraînement.