BiasPruner：用于医学图像分类的去偏持续学习
图像与视频处理
2024-07-12 v1 计算机视觉与模式识别
摘要
持续学习(CL)对于使网络在顺序学习新任务时动态适应至关重要，能够在不发生灾难性遗忘的情况下吸收新数据和新类别。与传统观点不同，本文提出一种新的视角，认为遗忘实际上可能有助于顺序学习范式。具体而言，我们提出了 BiasPruner—a 个持续学习框架，故意遗忘训练数据中可能导致捷径学习的虚假关联。利用衡量网络各单元对学习虚假特征贡献的新偏置得分，BiasPruner 剪裁那些得分最高的单元，以形成为特定任务保留的去偏子网络。当 BiasPruner 学习新任务时，它会构建新的去偏子网络，可能融合来自先前子网络的单元，从而提高对新任务的适应性和性能。在推理阶段，BiasPruner 采用简单任务无关的方法选择最佳去偏子网络进行预测。我们在三个医学数据集上进行了实验，分别用于皮肤瘤分类和胸片分类，结果表明 BiasPruner 在分类性能和公平性方面 consistently 优于 SOTA CL 方法。我们的代码在此处可用。
引用
@article{arxiv.2407.08609,
title = {BiasPruner: Debiased Continual Learning for Medical Image Classification},
author = {Nourhan Bayasi and Jamil Fayyad and Alceu Bissoto and Ghassan Hamarneh and Rafeef Garbi},
journal= {arXiv preprint arXiv:2407.08609},
year = {2024}
}
备注
Accepted for publication in MICCAI 2024(Early Accept)