論文の概要: Addressing the Real-world Class Imbalance Problem in Dermatology

• arxiv url: http://arxiv.org/abs/2010.04308v2
• Date: Sat, 14 Nov 2020 03:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:48:01.380437
• Title: Addressing the Real-world Class Imbalance Problem in Dermatology
• Title（参考訳）: 皮膚科における実世界のクラス不均衡問題への取り組み
• Authors: Wei-Hung Weng, Jonathan Deaton, Vivek Natarajan, Gamaleldin F. Elsayed, Yuan Liu
• Abstract要約: クラス不均衡は、診断において一般的な問題であり、標準分類器が共通のクラスに偏りを生じさせる。 これは皮膚科には特に当てはまり、皮膚に数千もの条件があるが、多くは実世界での流行度は低い。 皮膚状態認識問題に対する従来のクラス不均衡手法と同様に,少数ショット学習法についても検討する。
• 参考スコア（独自算出の注目度）: 14.637587751234774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance is a common problem in medical diagnosis, causing a standard classifier to be biased towards the common classes and perform poorly on the rare classes. This is especially true for dermatology, a specialty with thousands of skin conditions but many of which have low prevalence in the real world. Motivated by recent advances, we explore few-shot learning methods as well as conventional class imbalance techniques for the skin condition recognition problem and propose an evaluation setup to fairly assess the real-world utility of such approaches. We find the performance of few-show learning methods does not reach that of conventional class imbalance techniques, but combining the two approaches using a novel ensemble improves model performance, especially for rare classes. We conclude that ensembling can be useful to address the class imbalance problem, yet progress can further be accelerated by real-world evaluation setups for benchmarking new methods.
• Abstract（参考訳）: クラス不均衡は医学的診断において一般的な問題であり、標準的な分類器は一般的なクラスに偏り、まれなクラスでは成績が悪い。 これは皮膚科において特に当てはまるもので、皮膚疾患は数千種類あるが、その多くは現実世界での有病率が低い。 近年の進歩に動機づけられ,スキン状態認識問題に対する従来型クラス不均衡法と同様に,少ないショット学習法を探求し,その実世界の有用性を評価するための評価設定を提案する。 従来のクラス不均衡手法では, 数点学習手法の性能は得られないが, 新たなアンサンブルを用いた2つのアプローチを組み合わせることで, 特にレアクラスでは, モデル性能が向上する。 提案手法はクラス不均衡問題に対処するのに有用であるが,新しい手法をベンチマークするための実世界評価設定によってさらに進歩を加速することができる。

関連論文リスト

• Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
  不均衡の悪影響を軽減するために2つのプラグイン法を導入する。 まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。 第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
  論文  参考訳（メタデータ） (2024-07-18T17:59:44Z)
• Learning Confidence Bounds for Classification with Imbalanced Data [42.690254618937196]
  本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。 本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
  論文  参考訳（メタデータ） (2024-07-16T16:02:27Z)
• Rethinking Class Imbalance in Machine Learning [1.4467794332678536]
  不均衡学習は、クラス不均衡の存在下での学習タスクに焦点を当てた機械学習のサブフィールドである。 本研究では,機械学習におけるクラス不均衡の新しい分類法を提案する。 比例, 分散, 距離不均衡が同時に存在する場合に, 対数摂動に基づく新たな不均衡学習損失を提案する。
  論文  参考訳（メタデータ） (2023-05-06T02:36:39Z)
• Imbalanced Classification in Medical Imaging [15.367487572718701]
  多数派クラスを小クラスに再分類して不均衡な分類を行うことにより、問題をバランスの取れた多クラス分類に変換することを提案する。 不均衡な医用画像分類に関する予備的な結果は、この自然概念が平均精度で測定された分類性能を大幅に向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-10-21T20:25:20Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Fairness-aware Class Imbalanced Learning [57.45784950421179]
  つぶやきの感情と職業分類のロングテール学習手法を評価する。 フェアネスを強制する手法により、マージンロスに基づくアプローチを拡張します。
  論文  参考訳（メタデータ） (2021-09-21T22:16:30Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)
• Imbalanced classification: a paradigm-based review [21.578692329486643]
  クラス不均衡問題に対処する複数の再サンプリング手法が提案されている。 それぞれのテクニックをいつ使うかについては、一般的なガイダンスはない。 不均衡なクラスサイズ下でのバイナリ分類のための共通再サンプリング手法をパラダイムベースでレビューする。
  論文  参考訳（メタデータ） (2020-02-11T18:34:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。