DIAGNOSE：利用子模信息测度避免分布外数据
计算机视觉与模式识别
2022-10-05 v1
摘要
在医学影像领域训练监督式机器学习模型时，避免分布外（OOD）数据至关重要。此外，获取标注医学数据困难且昂贵，因其需要医生、放射科医师等专家标注者。主动学习（AL）是一种通过选择最具多样性或不确定性的样本来降低标注成本的知名方法。然而，现有 AL 方法在含 OOD 数据的医学影像领域表现不佳。我们提出 Diagnose（avoiDing out-of-dIstribution dAta usinG submodular iNfOrmation meaSurEs），一种可联合建模相似性与相异性的新型主动学习框架，这对同时挖掘分布内数据并避免 OOD 数据至关重要。特别地，我们使用少量数据点作为代表分布内查询集与私有 OOD 集的样例。我们通过在多种真实世界 OOD 场景上评估，阐明了框架的泛化性。实验验证了 Diagnose 在多个医学影像领域优于最先进 AL 方法。
引用
@article{arxiv.2210.01526,
title = {DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information Measures},
author = {Suraj Kothawade and Akshit Srivastava and Venkat Iyer and Ganesh Ramakrishnan and Rishabh Iyer},
journal= {arXiv preprint arXiv:2210.01526},
year = {2022}
}
备注
Accepted to MICCAI 2022 MILLanD Workshop