論文の概要: AUC-mixup: Deep AUC Maximization with Mixup

• arxiv url: http://arxiv.org/abs/2310.11693v1
• Date: Wed, 18 Oct 2023 03:43:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 11:56:34.837678
• Title: AUC-mixup: Deep AUC Maximization with Mixup
• Title（参考訳）: AUC-mixup: Mixupによる深部AUCの最大化
• Authors: Jianzhi Xv, Gang Li and Tianbao Yang
• Abstract要約: AUCは正と負のペアで定義されており、ミックスアップデータ拡張をDAMに組み込むことが難しい。 我々はAUCマージン損失とソフトラベルを定式化に用いて、ミックスアップによって生成されたデータから効果的に学習する。 提案手法が不均衡なベンチマークと医用画像データセットに与える影響を実験的に検証した。
• 参考スコア（独自算出の注目度）: 47.99058341229214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep AUC maximization (DAM) has shown remarkable success on imbalanced medical tasks, e.g., chest X-rays classification and skin lesions classification, it could suffer from severe overfitting when applied to small datasets due to its aggressive nature of pushing prediction scores of positive data away from that of negative data. This paper studies how to improve generalization of DAM by mixup data augmentation -- an approach that is widely used for improving generalization of the cross-entropy loss based deep learning methods. %For overfitting issues arising from limited data, the common approach is to employ mixup data augmentation to boost the models' generalization performance by enriching the training data. However, AUC is defined over positive and negative pairs, which makes it challenging to incorporate mixup data augmentation into DAM algorithms. To tackle this challenge, we employ the AUC margin loss and incorporate soft labels into the formulation to effectively learn from data generated by mixup augmentation, which is referred to as the AUC-mixup loss. Our experimental results demonstrate the effectiveness of the proposed AUC-mixup methods on imbalanced benchmark and medical image datasets compared to standard DAM training methods.
• Abstract（参考訳）: 深部AUC最大化(DAM)は、胸部X線分類や皮膚病変分類などの不均衡な医療タスクにおいて顕著に成功したが、正のデータの予測スコアを負のデータから遠ざけるという攻撃的な性質から、小さなデータセットに適用した場合、過度なオーバーフィッティングに悩まされる可能性がある。 本稿では, クロスエントロピー損失に基づくディープラーニング手法の一般化に広く用いられている, 混合データ拡張によるDAMの一般化方法について検討する。 % 限られたデータから生じる過度に適合する問題に対して,モデルの一般化性能を高めるために混合データ拡張を用いることが一般的である。 しかし、AUCは正と負のペアで定義されており、混合データ拡張をDAMアルゴリズムに組み込むのは難しい。 この課題に対処するために、我々はAUCマージン損失を用いてソフトラベルを定式化し、AUC-mixup損失と呼ばれるミックスアップ拡張によって生成されたデータから効果的に学習する。 実験により,提案手法が標準DAM訓練法と比較して不均衡なベンチマークと医用画像データセットに与える影響を実証した。

関連論文リスト

• DyMix: Dynamic Frequency Mixup Scheduler based Unsupervised Domain Adaptation for Enhancing Alzheimer's Disease Identification [9.506504023554031]
  教師なしドメイン適応のための動的周波数混合スケジューラ(DyMix)を提案する。 提案するDyMixは、ソース領域とターゲット領域とを混合した周波数領域の大きさを調整する。 アルツハイマー病の診断において,最先端の方法と比較して優れた成績を示した。
  論文  参考訳（メタデータ） (2024-10-02T07:18:47Z)
• On the Influence of Data Resampling for Deep Learning-Based Log Anomaly Detection: Insights and Recommendations [10.931620604044486]
  本研究は,多様なデータ再サンプリング手法が既存のADアプローチに与える影響を詳細に分析する。 クラス不均衡のレベルが異なる4つのデータセットにまたがるこれらのADアプローチの性能を評価する。 正常なデータと異常なデータの最適な再サンプリング率を利用する際のデータ再サンプリング手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-05-06T14:01:05Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• DualMix: Unleashing the Potential of Data Augmentation for Online Class-Incremental Learning [14.194817677415065]
  その結果,元のデータとの相関が低い拡張サンプルの方が,忘れの防止に有効であることが示唆された。 本稿では,拡張サンプルとラベルを同時に混合する拡張ミックスアップ(EnMix)手法を提案する。 クラス不均衡問題を解決するために、決定境界を調整するための適応混合法(AdpMix)を設計する。
  論文  参考訳（メタデータ） (2023-03-14T12:55:42Z)
• 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)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。