通过结构正交初始化实现医学深度学习的位相同
机器学习
2026-03-31 v1 人工智能
摘要
深度学习训练是非确定性的：相同代码但不同随机种子会产生在总体指标上一致但在个别预测上不一致的模型，在罕见临床类别上的单类AUC波动可超过20个百分点。我们提出了一种经过验证的位相同训练框架，通过消除三个随机来源：权重初始化（通过结构正交基函数）、批次排序（通过黄金比例调度）以及非确定性GPU操作（通过架构选择和自定义自动求导）。该管道在独立运行中产生MD5验证的相同训练权重。在PTB-XL心电图节律分类中，结构初始化在两种架构中均显著优于Kaiming初始化（n=20；Conformer p=0.016，Baseline p<0.001），将聚合方差降低2-3倍，将罕见节律的单类变异性降低最高可达7.5倍（TRIGU范围：4.1pp vs 30.9pp，Kaiming下 independently confirmed by 3-fold CV）。在n=20的四基比较中显示，所有结构正交基在性能上相当（Friedman p=0.48），确立了确定性结构初始化本身的贡献，而非特定基函数。在七个MedMNIST基准（n=20，所有p>0.14）上的跨域验证确认无性能惩罚；在不平衡任务（ChestMNIST，RetinaMNIST）上的单类分析显示，罕见类别上观察到的相同变异性降低。跨数据集评估在三个外部心电图数据库中确认零样本泛化（>0.93 AFIB AUC）。
引用
@article{arxiv.2603.28040,
title = {Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization},
author = {Yakov Pyotr Shkolnikov},
journal= {arXiv preprint arXiv:2603.28040},
year = {2026}
}