一种基于显著性的聚类框架用于识别异常预测
机器学习
2023-11-14 v1
摘要
在机器学习中，分类任务作为广泛现实应用基石。在生物医学场景中，可靠、可信的分类尤为复杂，其真值往往固有不确定，并依赖高度人类专业知识进行标注。传统指标如精确率与召回率虽有价值，但不足以捕捉这些模糊情形的细微差别。在此我们引入异常预测的概念，强调分类错误的性质与其频率同样关键。我们提出一种新颖、高效的训练方法，旨在同时降低误分类率并辨识异常预测。我们的框架显著提升了模型性能，实现精确率20%的增长。我们将该方法应用于较少被探索的兽医放射学领域，其中风险高但相较于人类医学未获充分研究。通过聚焦异常预测的识别与缓解，我们增强了机器学习分类器在高风险现实场景中的效用与可信度，包括兽医界的新应用。
引用
@article{arxiv.2311.06454,
title = {A Saliency-based Clustering Framework for Identifying Aberrant Predictions},
author = {Aina Tersol Montserrat and Alexander R. Loftus and Yael Daihes},
journal= {arXiv preprint arXiv:2311.06454},
year = {2023}
}