Fugu-MT 論文翻訳(概要): Imbalanced Classification in Medical Imaging

論文の概要: Imbalanced Classification in Medical Imaging

arxiv url: http://arxiv.org/abs/2210.12234v1
Date: Fri, 21 Oct 2022 20:25:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 14:47:56.338929
Title: Imbalanced Classification in Medical Imaging
Title（参考訳）: 医用画像における不均衡分類
Authors: Le Peng, Yash Travadi, Rui Zhang, Ying Cui, Ju Sun
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.367487572718701
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose performing imbalanced classification by regrouping majority classes into small classes so that we turn the problem into balanced multiclass classification. This new idea is dramatically different from popular loss reweighting and class resampling methods. Our preliminary result on imbalanced medical image classification shows that this natural idea can substantially boost the classification performance as measured by average precision (approximately area-under-the-precision-recall-curve, or AUPRC), which is more appropriate for evaluating imbalanced classification than other metrics such as balanced accuracy.
Abstract（参考訳）: 多数派クラスを小クラスに再分類することで不均衡な分類を行うことを提案する。この新たなアイデアは、一般的な損失重み付けやクラスリサンプリングメソッドとは大きく異なる。不均衡医用画像分類に関する予備的な結果から,この自然な考え方は,平均精度(精度のバランスのとれた他の指標よりも不均衡分類を評価するのに適する)によって,分類性能を著しく向上させることができることが示された。

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)
Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。不均衡回帰タスクを解くために階層型分類器を構築することを提案する。不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
論文参考訳（メタデータ） (2023-10-26T04:54:39Z)
Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。実世界の医療データセットにおけるモデルの性能向上を実証する。
論文参考訳（メタデータ） (2022-07-23T00:39:53Z)
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)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Semi-supervised learning for medical image classification using imbalanced training data [11.87832944550453]
本稿では,摂動型SSL方式における整合性損失の代替として,適応的Blended Consistency Loss (ABCL)を提案する。 ABCLは、クラス周波数に応じて、目標とする一貫性損失のクラス分布を適応的に混合してデータスキューに対処する。 ABCLを用いた実験により,2つの不均衡な医用画像分類データセットにおける非重み付き平均リコールの改善が示された。
論文参考訳（メタデータ） (2021-08-20T01:06:42Z)
Statistical Theory for Imbalanced Binary Classification [8.93993657323783]
最適分類性能は、これまで形式化されていなかったクラス不均衡の特定の性質に依存することを示す。具体的には、一様クラス不均衡と呼ばれる新しいクラス不均衡のサブタイプを提案する。これらの結果は、不均衡二項分類に対する最初の有意義な有限サンプル統計理論のいくつかを提供する。
論文参考訳（メタデータ） (2021-07-05T03:55:43Z)
Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
論文参考訳（メタデータ） (2020-10-22T14:05:05Z)
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。