論文の概要: Revisiting Vicinal Risk Minimization for Partially Supervised Multi-Label Classification Under Data Scarcity

• arxiv url: http://arxiv.org/abs/2204.08954v1
• Date: Tue, 19 Apr 2022 15:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 13:27:31.601450
• Title: Revisiting Vicinal Risk Minimization for Partially Supervised Multi-Label Classification Under Data Scarcity
• Title（参考訳）: 部分監督型マルチラベル分類におけるリスク最小化の再検討
• Authors: Nanqing Dong, Jiayi Wang, Irina Voiculescu
• Abstract要約: 興味のあるすべてのクラスに完全にラベル付けされた大規模な医療データセットをキュレートするのは簡単ではない。 代わりに、異なるマッチングソースから複数の小さなラベル付きデータセットを集めるのが便利だろう。 本稿では,未探索問題,すなわち部分的に教師付きマルチラベル分類に関する経験的理解を提供する。
• 参考スコア（独自算出の注目度）: 8.25467163068214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the high human cost of annotation, it is non-trivial to curate a large-scale medical dataset that is fully labeled for all classes of interest. Instead, it would be convenient to collect multiple small partially labeled datasets from different matching sources, where the medical images may have only been annotated for a subset of classes of interest. This paper offers an empirical understanding of an under-explored problem, namely partially supervised multi-label classification (PSMLC), where a multi-label classifier is trained with only partially labeled medical images. In contrast to the fully supervised counterpart, the partial supervision caused by medical data scarcity has non-trivial negative impacts on the model performance. A potential remedy could be augmenting the partial labels. Though vicinal risk minimization (VRM) has been a promising solution to improve the generalization ability of the model, its application to PSMLC remains an open question. To bridge the methodological gap, we provide the first VRM-based solution to PSMLC. The empirical results also provide insights into future research directions on partially supervised learning under data scarcity.
• Abstract（参考訳）: 人為的なアノテーションのコストが高いため、あらゆる種類の関心事に完全にラベル付けされた大規模医療データセットをキュレートするのは簡単ではない。 代わりに、異なるマッチングソースから複数の小さなラベル付きデータセットを収集することは便利だろう。 本稿では,多段分類器が部分的にラベル付けされた医療画像のみを用いて訓練される部分教師付き多段分類 (psmlc) という,未検討の問題に対する経験的理解を提供する。 完全に監督されたものとは対照的に、医療データ不足による部分的監督は、モデル性能に非自明な負の影響をもたらす。 潜在的な治療は、部分的なラベルを増強することかもしれない。 vicinal risk minimization (vrm) はモデルの一般化能力を改善するための有望なソリューションであるが、psmlcへの応用は未解決のままである。 方法論的ギャップを埋めるために、PSMLCにVRMベースのソリューションを提供する。 実験結果はまた、データ不足下の部分教師付き学習の今後の研究方向性に関する洞察を提供する。

関連論文リスト

• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Semi-Supervised Medical Image Segmentation with Co-Distribution Alignment [16.038016822861092]
  本稿では,半教師型医用画像分割のためのCo-Distribution Alignment(Co-DA)を提案する。 Co-DAはラベル付きデータの辺縁予測とラベル付きデータの辺縁予測をクラスワイズで調整する。 提案手法は既存の半教師付き医用画像分割法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-24T09:08:30Z)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Information Gain Sampling for Active Learning in Medical Image Classification [3.1619162190378787]
  本研究は,ラベル付け対象プールからの最適な画像選択を誘導する情報理論のアクティブラーニングフレームワークを提案する。 2つの異なる医用画像分類データセットで実験を行う。
  論文  参考訳（メタデータ） (2022-08-01T16:25:53Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。