論文の概要: Robust Asymmetric Loss for Multi-Label Long-Tailed Learning

• arxiv url: http://arxiv.org/abs/2308.05542v1
• Date: Thu, 10 Aug 2023 12:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 12:27:50.299783
• Title: Robust Asymmetric Loss for Multi-Label Long-Tailed Learning
• Title（参考訳）: マルチラベル長期学習におけるロバスト非対称損失
• Authors: Wongi Park, Inhyuk Park, Sungeun Kim, Jongbin Ryu
• Abstract要約: 本稿では,長い尾と複数ラベルの分類問題に同時に対処する機能に対して,ロバストな非対称な損失を提案する。 ICCVAMD 2023コンペティションのCVR-LTデータセットのTop-5結果を得た。
• 参考スコア（独自算出の注目度）: 8.526086056172273
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In real medical data, training samples typically show long-tailed distributions with multiple labels. Class distribution of the medical data has a long-tailed shape, in which the incidence of different diseases is quite varied, and at the same time, it is not unusual for images taken from symptomatic patients to be multi-label diseases. Therefore, in this paper, we concurrently address these two issues by putting forth a robust asymmetric loss on the polynomial function. Since our loss tackles both long-tailed and multi-label classification problems simultaneously, it leads to a complex design of the loss function with a large number of hyper-parameters. Although a model can be highly fine-tuned due to a large number of hyper-parameters, it is difficult to optimize all hyper-parameters at the same time, and there might be a risk of overfitting a model. Therefore, we regularize the loss function using the Hill loss approach, which is beneficial to be less sensitive against the numerous hyper-parameters so that it reduces the risk of overfitting the model. For this reason, the proposed loss is a generic method that can be applied to most medical image classification tasks and does not make the training process more time-consuming. We demonstrate that the proposed robust asymmetric loss performs favorably against the long-tailed with multi-label medical image classification in addition to the various long-tailed single-label datasets. Notably, our method achieves Top-5 results on the CXR-LT dataset of the ICCV CVAMD 2023 competition. We opensource our implementation of the robust asymmetric loss in the public repository: https://github.com/kalelpark/RAL.
• Abstract（参考訳）: 実際の医療データでは、トレーニングサンプルは通常、複数のラベルを持つロングテール分布を示す。 医療データの類型分布は、異なる疾患の発生頻度がかなり異なるロングテール形状であり、同時に、症状を有する患者から採取された画像が多彩な疾患であることも珍しくない。 そこで本稿では,多項式関数にロバストな非対称損失を課すことにより,これら2つの問題を同時に解決する。 我々の損失はロングテールとマルチラベルの2つの分類問題を同時に取り扱うため、多数のハイパーパラメータを持つ損失関数の複雑な設計に繋がる。 モデルは多数のハイパーパラメーターのために高度に微調整することができるが、全てのハイパーパラメーターを同時に最適化することは困難であり、モデルに過度に適合するリスクがある。 したがって,ヒル損失法を用いて損失関数を定式化することで,過度な過パラメータに対する感度を低下させることで,モデルへの過剰フィットのリスクを低減できる。 この理由から,提案手法は医用画像分類タスクに適用できる汎用的手法であり,訓練に要する時間を短縮するものではない。 提案するロバストな非対称損失は,様々な長尾単葉データセットに加えて,長尾の医用画像分類に対して好適に作用することを示す。 特に,ICCV CVAMD 2023コンペティションのCXR-LTデータセットのTop-5結果を得た。 公開リポジトリにおけるロバストな非対称な損失の実装をオープンソースにしています。

関連論文リスト

• BAMITA: Bayesian Multiple Imputation for Tensor Arrays [4.111762232988317]
  フレキシブルベイズフレームワークにおけるテンソルに対する多重計算手法を提案する。 我々のモデルは、CANDECOMP/PARAFAC(CP)因子化のために効率的で広く適用可能な共役前駆体を用いる。 また, 個体群の多様性の傾向を推定するために, 完全な微生物組織プロファイルの不確かさを正確に把握できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-30T19:30:23Z)
• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• Taming the Tail: Leveraging Asymmetric Loss and Pade Approximation to Overcome Medical Image Long-Tailed Class Imbalance [0.760142793217463]
  医療における長期の問題は、異なる医療条件の頻度と表現の変動により、データの不均衡から生じる。 クロスエントロピーやバイナリクロスエントロピーのような伝統的な損失関数は、不均衡に対処できないため、しばしば不十分である。 そこで本研究では,Pade近似に基づく新たな損失関数を導入し,長期化に伴う課題を克服する。
  論文  参考訳（メタデータ） (2024-10-05T08:49:33Z)
• Handling Overlapping Asymmetric Datasets -- A Twice Penalized P-Spline Approach [0.40964539027092917]
  本研究の目的は,特定の応答に対してより小さなコホートをモデル化できる新しい手法を開発することである。 線形B-SplineとP-Spline近似の2倍のペナル化手法により、線形B-SplineとP-Spline近似との適合性が向上することがわかった。 非アルコール性脂肪肝炎の発症リスクに関する実生活データセットに適用すると、モデル適合性は65%以上向上する。
  論文  参考訳（メタデータ） (2023-11-17T12:41:07Z)
• Towards frugal unsupervised detection of subtle abnormalities in medical imaging [0.0]
  医用画像における異常検出は、異常が注釈付けされていない状況では難しい課題である。 汎用性が広く認識されている確率分布の混合について検討する。 このオンラインアプローチは、新たに診断されたパーキンソン病患者の追跡において、MR脳スキャンの微妙な異常の検出が困難であることを示すものである。
  論文  参考訳（メタデータ） (2023-09-04T07:44:54Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)

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。