論文の概要: Human not in the loop: objective sample difficulty measures for Curriculum Learning

• arxiv url: http://arxiv.org/abs/2302.01243v1
• Date: Thu, 2 Feb 2023 17:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 13:07:41.074743
• Title: Human not in the loop: objective sample difficulty measures for Curriculum Learning
• Title（参考訳）: ループにない人間:カリキュラム学習のための客観的サンプル難度測定
• Authors: Zhengbo Zhou, Jun Luo, Gene Kitamura, Shandong Wu
• Abstract要約: 本稿では、勾配の分散(VoG)を用いて、サンプルの客観的な難易度を算出した新しいカリキュラム学習手法を提案する。 具体的には,VoGを指標として,分類の難易度の観点から各サンプルのランク付けを行い,高いVoGスコアは分類の難易度を示す。 以上の結果より, 2段階骨骨折分類と多段階骨骨折分類では同等, 高い成績を示した。
• 参考スコア（独自算出の注目度）: 5.203119819023793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Curriculum learning is a learning method that trains models in a meaningful order from easier to harder samples. A key here is to devise automatic and objective difficulty measures of samples. In the medical domain, previous work applied domain knowledge from human experts to qualitatively assess classification difficulty of medical images to guide curriculum learning, which requires extra annotation efforts, relies on subjective human experience, and may introduce bias. In this work, we propose a new automated curriculum learning technique using the variance of gradients (VoG) to compute an objective difficulty measure of samples and evaluated its effects on elbow fracture classification from X-ray images. Specifically, we used VoG as a metric to rank each sample in terms of the classification difficulty, where high VoG scores indicate more difficult cases for classification, to guide the curriculum training process We compared the proposed technique to a baseline (without curriculum learning), a previous method that used human annotations on classification difficulty, and anti-curriculum learning. Our experiment results showed comparable and higher performance for the binary and multi-class bone fracture classification tasks.
• Abstract（参考訳）: カリキュラム学習は、より簡単なサンプルから難しいサンプルまで、有意義な順序でモデルをトレーニングする学習方法である。 ここでの鍵は、サンプルの自動的および客観的な難易度尺度を考案することである。 医学領域では、従来の研究は、人間の専門家によるドメイン知識を適用し、医学画像の分類の難易度を定性的に評価し、追加の注記作業を必要とするカリキュラム学習を指導し、主観的な人間体験に依存し、バイアスをもたらす可能性がある。 本研究では,試料の客観的な難易度を計算し,X線画像からの肘骨折分類に与える影響を評価するために,勾配の分散(VoG)を用いた新しいカリキュラム学習手法を提案する。 具体的には,分類難易度の観点から各サンプルをランク付けするための指標としてvogを用い,高いvogスコアが分類難度を示す場合,カリキュラム学習プロセスを指導するために,提案手法を基礎(カリキュラム学習なし)と比較した。 実験の結果,二級骨骨折と多級骨骨折の分類に比較し,高い性能を示した。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images [2.352695945685781]
  そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。 提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。 完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
  論文  参考訳（メタデータ） (2024-03-12T09:17:21Z)
• 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)
• 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)
• Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image Classification [3.9745217005532183]
  モデルの性能を高めるために,医療知識に基づく一級分類手法を提案する。 不均衡画像分類のための深層学習に基づく一クラス分類パイプラインを設計する。 6つの最先端手法と比較して,優れたモデル性能を示す。
  論文  参考訳（メタデータ） (2021-11-20T16:14:19Z)
• Curriculum Learning: A Survey [65.31516318260759]
  カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。 我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。 集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
  論文  参考訳（メタデータ） (2021-01-25T20:08:32Z)
• Learn like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification [29.49041112835749]
  本稿では,アノテータ合意に基づき,段階的にハードなイメージを学習するカリキュラム学習手法を提案する。 大腸ポリープ分類の課題と臨床的に重要な課題について,本仮説を検証した。
  論文  参考訳（メタデータ） (2020-09-29T00:25:21Z)
• 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)
• Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
  皮膚病変画像の自動分類のための2段階の枠組みを提案する。 第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。 第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-14T22:46:20Z)
• Medical-based Deep Curriculum Learning for Improved Fracture Classification [36.54112505898611]
  我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。 我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。 以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
  論文  参考訳（メタデータ） (2020-04-01T14:56:43Z)
• CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition [79.92240030758575]
  本稿では,カリキュラム学習の概念を損失関数に組み込んだ適応型カリキュラム学習損失(CurricularFace)を提案する。 我々のCurricularFaceは、異なるトレーニング段階における簡単なサンプルとハードサンプルの相対的重要性を適応的に調整する。
  論文  参考訳（メタデータ） (2020-04-01T08:43:10Z)

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。