超越大小与类别平衡：Alpha 作为深度学习新的数据集质量指标

在深度学习中，实现图像分类任务的高性能需要多样化的训练集。然而，当前的最佳实践——最大化数据集大小和类别平衡——并不一定保证数据集的多样性。我们假设，对于给定的模型架构，通过更直接地最大化多样性可以提高模型性能。为检验这一假设，我们引入了一个从生态学中提取的综合多样性测度框架，将熟悉的量量如 Shannon 熵等 generalizations，纳入对图像之间相似性的考虑。（大小和类别平衡可视为特殊情况。）分析了来自七个医学数据集的大量子集后发现，最佳的性能相关因素并非数据集大小或类别平衡，而是 $A$ -“big alpha”——一组accounting for 图像相似性后的广义熵测度，解释为在考虑图像相似性后的数据集中图像-类别对的有效数量。其中一种测度 $A_0$ 对于平衡准确率的解释比例达到 67%，而类别平衡为 54%，仅为 39%。最佳的测度组合为大小加上 $A_1$（79%），超过了大小加上类别平衡（74%）。具有最大 $A_0$ 的子集在中性水平上比具有最大大小的子集表现出高达 16%的优势。我们提出将 $A$ 作为提高医学影像深度学习性能的新方法。