論文の概要: Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark

• arxiv url: http://arxiv.org/abs/2404.06859v3
• Date: Thu, 18 Jul 2024 13:00:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 20:52:07.480315
• Title: Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark
• Title（参考訳）: 医療領域のためのマルチラベル連続学習:新しいベンチマーク
• Authors: Marina Ceccon, Davide Dalle Pezze, Alessandro Fabris, Gian Antonio Susto,
• Abstract要約: 一つのフレームワークにおける新しいクラス到着とドメインシフトの課題を組み合わせた新しいベンチマークを提案する。 本ベンチマークは,医療画像における多ラベル分類問題に対する現実的なCL設定をモデル化することを目的とする。
• 参考スコア（独自算出の注目度）: 47.52603262576663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the critical importance of the medical domain in Deep Learning, most of the research in this area solely focuses on training models in static environments. It is only in recent years that research has begun to address dynamic environments and tackle the Catastrophic Forgetting problem through Continual Learning (CL) techniques. Previous studies have primarily focused on scenarios such as Domain Incremental Learning and Class Incremental Learning, which do not fully capture the complexity of real-world applications. Therefore, in this work, we propose a novel benchmark combining the challenges of new class arrivals and domain shifts in a single framework, by considering the New Instances and New Classes (NIC) scenario. This benchmark aims to model a realistic CL setting for the multi-label classification problem in medical imaging. Additionally, it encompasses a greater number of tasks compared to previously tested scenarios. Specifically, our benchmark consists of two datasets (NIH and CXP), nineteen classes, and seven tasks, a stream longer than the previously tested ones. To solve common challenges (e.g., the task inference problem) found in the CIL and NIC scenarios, we propose a novel approach called Replay Consolidation with Label Propagation (RCLP). Our method surpasses existing approaches, exhibiting superior performance with minimal forgetting.
• Abstract（参考訳）: 深層学習における医療領域の重要性にもかかわらず、この分野の研究の大部分は静的環境におけるトレーニングモデルのみに焦点を当てている。 近年になって、動的環境に対処し、継続学習(CL)技術を用いて破滅的な予測問題に取り組む研究が始まっている。 これまでの研究は主にドメインインクリメンタルラーニングやクラスインクリメンタルラーニングといったシナリオに重点を置いてきた。 そこで本研究では,新しいインスタンスと新しいクラス(NIC)のシナリオを考慮し,新しいクラス到着と単一フレームワークにおけるドメインシフトの課題を組み合わせた新しいベンチマークを提案する。 本ベンチマークは,医療画像における多ラベル分類問題に対する現実的なCL設定をモデル化することを目的とする。 さらに、以前テストされたシナリオよりも多くのタスクを含んでいる。 具体的には,2つのデータセット(NIHとCXP),19のクラス,7つのタスクで構成される。 CILとNICのシナリオで見られる共通課題(例えばタスク推論問題)を解決するために、我々はReplay Consolidation with Label Propagation (RCLP)と呼ばれる新しいアプローチを提案する。 提案手法は既存の手法を超越し,最小限の忘れを伴って優れた性能を示す。

関連論文リスト

• Class-incremental Learning for Time Series: Benchmark and Evaluation [24.39008346076859]
  本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。 標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。 このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
  論文  参考訳（メタデータ） (2024-02-19T10:43:13Z)
• Few-shot Class-incremental Learning for Cross-domain Disease Classification [20.194071205063153]
  ドメイン間数ショットの漸進的学習問題について検討する。 本稿では,クロスドメイン拡張制約とクロスドメインデータ拡張手法を提案する。 MedMNISTの実験により、この手法の分類性能は、他の同様の漸進的学習法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-12T09:43:39Z)
• Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
  転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。 これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。 この作業における上記の問題に対処する。
  論文  参考訳（メタデータ） (2022-10-10T20:31:19Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
  モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。 古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。 我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:46:41Z)
• vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
  本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。 vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。 本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:14:17Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)

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。