AUC-mixup：基于 Mixup 的深度 AUC 最大化
机器学习
2023-10-19 v1 图像与视频处理
摘要
虽然深度 AUC 最大化（DAM）在不平衡医学任务（例如胸部 X 光分类和皮肤病变分类）上取得了显著成功，但由于其将正类数据预测分数推离负类数据预测分数的激进特性，当应用于小数据集时可能遭受严重的过拟合。本文研究如何通过 mixup 数据增强来改善 DAM 的泛化能力——mixup 是一种广泛用于提升基于交叉熵损失的深度学习方法的泛化能力的方法。然而，AUC 定义在正负样本对上，这使得将 mixup 数据增强融入 DAM 算法具有挑战性。为应对这一挑战，我们采用 AUC 间隔损失并将软标签纳入公式以有效地从 mixup 增强生成的数据中学习，称之为 AUC-mixup 损失。我们的实验结果表明，与标准 DAM 训练方法相比，所提出的 AUC-mixup 方法在不平衡基准和医学图像数据集上的有效性。
引用
@article{arxiv.2310.11693,
title = {AUC-mixup: Deep AUC Maximization with Mixup},
author = {Jianzhi Xv and Gang Li and Tianbao Yang},
journal= {arXiv preprint arXiv:2310.11693},
year = {2023}
}
备注
3 pages, 4 figures