論文の概要: AgreementLearning: An End-to-End Framework for Learning with Multiple Annotators without Groundtruth

• arxiv url: http://arxiv.org/abs/2109.03596v1
• Date: Wed, 8 Sep 2021 12:47:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:32:54.036695
• Title: AgreementLearning: An End-to-End Framework for Learning with Multiple Annotators without Groundtruth
• Title（参考訳）: AgreementLearning: 基盤のない複数アノテーションによるエンドツーエンド学習フレームワーク
• Authors: Chongyang Wang, Yuan Gao, Chenyou Fan, Junjie Hu, Tin Lun Lam, Nicholas D. Lane, Nadia Bianchi-Berthouze
• Abstract要約: 本稿では,客観的基盤のない複数アノテータからの学習に挑戦する,新たな合意学習フレームワークを提案する。 2つの医療データセットの実験では、アノテータとの合意レベルが改善された。
• 参考スコア（独自算出の注目度）: 32.117172311270565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The annotation of domain experts is important for some medical applications where the objective groundtruth is ambiguous to define, e.g., the rehabilitation for some chronic diseases, and the prescreening of some musculoskeletal abnormalities without further medical examinations. However, improper uses of the annotations may hinder developing reliable models. On one hand, forcing the use of a single groundtruth generated from multiple annotations is less informative for the modeling. On the other hand, feeding the model with all the annotations without proper regularization is noisy given existing disagreements. For such issues, we propose a novel agreement learning framework to tackle the challenge of learning from multiple annotators without objective groundtruth. The framework has two streams, with one stream fitting with the multiple annotators and the other stream learning agreement information between the annotators. In particular, the agreement learning stream produces regularization information to the classifier stream, tuning its decision to be better in line with the agreement between the annotators. The proposed method can be easily plugged to existing backbones developed with majority-voted groundtruth or multiple annotations. Thereon, experiments on two medical datasets demonstrate improved agreement levels with annotators.
• Abstract（参考訳）: ドメインエキスパートのアノテーションは、例えば、いくつかの慢性疾患のリハビリテーションや、いくつかの筋骨格異常の事前スクリーニングを、追加の検査なしで定義する目的が曖昧な医学的応用において重要である。 しかし、アノテーションの不適切な使用は、信頼できるモデルの開発を妨げる可能性がある。 一方で、複数のアノテーションから生成される単一の基盤の使用を強制することは、モデリングにはあまり役に立たない。 一方、既存の不一致を考えると、適切な正規化なしにすべてのアノテーションでモデルに入力することはうるさい。 そこで本研究では,複数の注釈者から学習の課題に取り組むための新しい合意学習フレームワークを提案する。 フレームワークは2つのストリームを持ち、一方は複数のアノテータに適合し、もう一方はアノテータ間のストリーム学習合意情報である。 特に、合意学習ストリームは、分類器ストリームに対して正規化情報を生成し、注釈者間の合意に合わせて、その判断をより良くするように調整する。 提案手法は,多数の接頭辞や複数アノテーションを用いた既存のバックボーンに容易に接続できる。 2つの医療データセットの実験では、アノテータとの合意レベルが改善された。

関連論文リスト

• Dude: Dual Distribution-Aware Context Prompt Learning For Large Vision-Language Model [27.56988000960972]
  ドメイン共有コンテキストとクラス固有コンテキストの両方の2つのコンテキストに基づいた新しいフレームワークを導入する。 このような二重プロンプト手法は、大規模言語モデルで符号化された暗黙的および明示的な要素を結合することによって、モデルの特徴表現を強化する。 また、構築されたプロンプトと視覚トークンの関係を定量化するために、不均衡最適輸送(UOT)理論を定式化する。
  論文  参考訳（メタデータ） (2024-07-05T13:15:29Z)
• DuEDL: Dual-Branch Evidential Deep Learning for Scribble-Supervised Medical Image Segmentation [2.708515419272247]
  我々はDuEDL(Dual-Branch Evi-dential Deep Learning)と呼ばれる新しいフレームワークを提案する。 提案手法は, 精度を犠牲にすることなく, モデルの信頼性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-23T11:23:57Z)
• Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
  医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。 本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T09:13:50Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Pre-trained Language Models as Re-Annotators [3.193067591317475]
  事前学習言語モデルから意味センシティブなアノテーション表現を取得する方法について検討する。 アノテーション修正のためのクロスバリデーションに基づく事前学習言語モデルを微調整する。 関係抽出における再アノテーションについて検討し、手動で改訂したデータセットRe-DocREDを作成する。
  論文  参考訳（メタデータ） (2022-05-11T09:28:23Z)
• Disjoint Contrastive Regression Learning for Multi-Sourced Annotations [10.159313152511919]
  大規模データセットはディープラーニングモデルの開発に重要である。 複数のアノテータを使用して、データの異なるサブセットをラベル付けすることができる。 異なるアノテータ間の矛盾とバイアスはモデルトレーニングに有害である。
  論文  参考訳（メタデータ） (2021-12-31T12:39:04Z)
• Joint Inductive and Transductive Learning for Video Object Segmentation [107.32760625159301]
  半教師付きオブジェクトセグメンテーションは、第1フレームのマスクだけを与えられたビデオシーケンスで対象オブジェクトをセグメンテーションするタスクである。 過去の最も優れた手法は、マッチングベースの帰納的推論やオンライン帰納的学習を採用していた。 本稿では,トランスダクティブ学習とインダクティブ学習を統合したフレームワークに統合し,それら間の補完を利用して,高精度かつ堅牢なビデオオブジェクトセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-08-08T16:25:48Z)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Unifying Relational Sentence Generation and Retrieval for Medical Image Report Composition [142.42920413017163]
  現在の手法は、個々のケースのデータセットバイアスにより、しばしば最も一般的な文を生成する。 テンプレート検索と文生成を一体化し、共通およびまれな異常に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T04:33:27Z)

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。