在高维小样本设置下使用基于几何的变分自编码器进行数据增强
机器学习
2023-01-18 v2 机器学习
摘要
在本文中，我们提出一种新方法，利用基于几何的变分自编码器在高维小样本（HDLSS）设置下以可靠方式进行数据增强。我们的方法将 VAE 视为黎曼流形的恰当潜空间建模与一种新的生成方案相结合，该方案能产生更有意义的样本，尤其在小型数据集背景下。所提方法通过广泛的实验研究进行了测试，其中强调了其对数据集、分类器和训练样本数量的鲁棒性。它还在具有挑战性的 ADNI 数据库上的医学图像分类任务中得到验证，该任务考虑了少量 3D 脑 MRI 并使用所提 VAE 框架进行增强。在每种情况下，所提方法都带来了分类指标的显著且可靠的提升。例如，对于用 50 张认知正常（CN）和 50 张阿尔茨海默病（AD）患者的 MRI 训练的最先进 CNN 分类器，平衡准确率从 66.3% 跃升至 74.3%；用 243 张 CN 和 210 张 AD 训练时从 77.7% 升至 86.3%，同时大幅改善了灵敏度和特异度指标。
引用
@article{arxiv.2105.00026,
title = {Data Augmentation in High Dimensional Low Sample Size Setting Using a Geometry-Based Variational Autoencoder},
author = {Clément Chadebec and Elina Thibeau-Sutre and Ninon Burgos and Stéphanie Allassonnière},
journal= {arXiv preprint arXiv:2105.00026},
year = {2023}
}
备注
accepted to IEEE transactions on pattern analysis and machine intelligence (TPAMI)