論文の概要: Warm Start Active Learning with Proxy Labels \& Selection via Semi-Supervised Fine-Tuning

• arxiv url: http://arxiv.org/abs/2209.06285v1
• Date: Tue, 13 Sep 2022 20:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:27:08.751485
• Title: Warm Start Active Learning with Proxy Labels \& Selection via Semi-Supervised Fine-Tuning
• Title（参考訳）: 半監督ファインチューニングによるプロキシラベルの選択によるウォームスタートアクティブラーニング
• Authors: Vishwesh Nath, Dong Yang, Holger R. Roth, Daguang Xu
• Abstract要約: 本稿では,3次元画像セグメンテーションに特化して,アクティブラーニング(AL)のための2つの新しい戦略を提案する。 まず、プロキシタスクを提案し、次にプロキシタスクから発生した不確実性を利用して、アノテートすべきラベルのないデータをランク付けすることで、コールドスタート問題に取り組む。 第2に、未ラベルのデータも第2段階で半教師付き微調整戦略として使用されるように、各アクティブイテレーション毎に2段階の学習フレームワークを構築している。
• 参考スコア（独自算出の注目度）: 10.086685855244664
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Which volume to annotate next is a challenging problem in building medical imaging datasets for deep learning. One of the promising methods to approach this question is active learning (AL). However, AL has been a hard nut to crack in terms of which AL algorithm and acquisition functions are most useful for which datasets. Also, the problem is exacerbated with which volumes to label first when there is zero labeled data to start with. This is known as the cold start problem in AL. We propose two novel strategies for AL specifically for 3D image segmentation. First, we tackle the cold start problem by proposing a proxy task and then utilizing uncertainty generated from the proxy task to rank the unlabeled data to be annotated. Second, we craft a two-stage learning framework for each active iteration where the unlabeled data is also used in the second stage as a semi-supervised fine-tuning strategy. We show the promise of our approach on two well-known large public datasets from medical segmentation decathlon. The results indicate that the initial selection of data and semi-supervised framework both showed significant improvement for several AL strategies.
• Abstract（参考訳）: 次にアノテートするボリュームは、ディープラーニングのための医療画像データセットを構築する上で難しい問題である。 この問題にアプローチするための有望な方法の1つは、アクティブラーニング(AL)である。 しかし、ALアルゴリズムと取得関数がどのデータセットに最も役立つかという点では、ALはクラックするのは難しい。 また、最初にラベル付きデータがない場合、どのボリュームにラベルを付けるかという問題は悪化する。 これはアルのコールドスタート問題として知られている。 3次元画像分割のためのalのための2つの新しい戦略を提案する。 まず、プロキシタスクを提案することでコールドスタート問題に取り組み、その後、プロキシタスクから生成された不確実性を利用して、アノテート対象のラベルなしデータをランク付けする。 第2に、未ラベルのデータも第2段階で半教師付き微調整戦略として使用されるアクティブイテレーション毎に2段階の学習フレームワークを構築する。 医用セグメンテーションによる2つの有名な大規模データセットに対するアプローチの約束を示す。 その結果、データの初期選択と半教師付きフレームワークは、いくつかのAL戦略において大きな改善を示した。

関連論文リスト

• Learnability Gaps of Strategic Classification [68.726857356532]
  我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。 ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。 この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
  論文  参考訳（メタデータ） (2024-02-29T16:09:19Z)
• MyriadAL: Active Few Shot Learning for Histopathology [10.652626309100889]
  我々は、Myriad Active Learning (MAL)という、アクティブな数個のショットラーニングフレームワークを導入する。 MALには、コントラスト学習エンコーダ、擬似ラベル生成、ループ内の新しいクエリサンプル選択が含まれている。 2つの公的な病理組織学データセットの実験により、MALは以前の研究に比べてテスト精度、マクロF1スコア、ラベル効率が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-24T20:08:15Z)
• Discwise Active Learning for LiDAR Semantic Segmentation [92.92714645987083]
  アクティブラーニング(AL)は、データセットを反復的かつインテリジェントにラベル付けできるソリューションを提供する。 我々は,各イテレーションにおいて,グローバル座標上の1フレームの領域を問合せし,全フレームを同時にラベル付けするディスクワイズアプローチ(DiAL)を提案する。
  論文  参考訳（メタデータ） (2023-09-23T06:08:22Z)
• COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical Image Segmentation [10.80144764655265]
  アクティブラーニング(AL)は効率的なアノテーションのための有望なソリューションであるが、アクティブセレクションを開始するにはラベル付きサンプルの初期セットが必要である。 これはコールドスタートALとしても知られており、前述したデータにアクセスせずに専門家からアノテーションを要求できる機会は1つだけである。 COSALというベンチマークを公開医療宣言収集から5つの3次元医療セグメンテーションタスクについて,コールドスタートAL戦略を6つ評価し,その評価を行った。
  論文  参考訳（メタデータ） (2023-07-22T07:19:15Z)
• On the Limitations of Simulating Active Learning [32.34440406689871]
  アクティブラーニング(アクティブラーニング、英: Active Learning、AL)は、人間のアノテーションのための情報的未ラベルデータを反復的に選択する、ヒューマン・アンド・モデル・イン・ザ・ループのパラダイムである。 この障害に対する簡単な修正は、ラベル付きで公開されているデータセットをラベルなしデータのプールとして扱うことで、ALをシミュレートすることだ。 我々は、利用可能なラベル付きデータセット上でのALアルゴリズムの評価は、実データにおけるそれらの有効性に対して低いバウンドを与えるかもしれないと論じる。
  論文  参考訳（メタデータ） (2023-05-21T22:52:13Z)
• MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
  画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。 私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。 近年のAL法と比較すると,最先端の結果が得られている。
  論文  参考訳（メタデータ） (2023-01-04T10:52:02Z)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)
• Communication-Efficient Robust Federated Learning with Noisy Labels [144.31995882209932]
  フェデレーテッド・ラーニング(FL)は、分散した位置データの上で、将来性のあるプライバシ保護機械学習パラダイムである。 FLにおける雑音ラベルの効果を緩和する学習に基づく再重み付け手法を提案する。 提案手法は,複数の実世界のデータセットにおいて,各種ベースラインと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-11T16:21:17Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• 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)

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。