FOSSIL：元数据无关且数据稀缺下的 Mpox 诊断的遗憾最小化课程学习
机器学习
2025-10-14 v1 人工智能
摘要
深度学习在小规模和不平衡的生物医学数据集上，仍受限于优化不稳定和泛化差的问题。我们提出了首个生物医学领域的 FOSSIL（Flexible Optimization via Sample-Sensitive Importance Learning）实现，这是一种遗憾最小化的加权框架，能够根据样本难度自适应地平衡训练中的注意力。通过基于 softmax 的不确定性作为难度的连续度量，我们构建了一个四阶段课程（Easy-Very Hard），并将 FOSSIL 集成到卷积网络和基于 Transformer 的架构中，用于 Mpox 皮肤瘤诊断。在所有设置下，FOSSIL 大幅提升了判别能力（AUC=0.9573）、校准性（ECE=0.053）以及在现实扰动下的鲁棒性，超越了无需元数据、手动标注或合成增强的常规基线。结果表明，FOSSIL 作为一种通用、数据高效且可解释的框架，在数据稀缺的医学影像中实现难度感知学习具有广泛适用性。
引用
@article{arxiv.2510.10041,
title = {FOSSIL: Regret-Minimizing Curriculum Learning for Metadata-Free and Low-Data Mpox Diagnosis},
author = {Sahng-Min Han and Minjae Kim and Jinho Cha and Se-woon Choe and Eunchan Daniel Cha and Jungwon Choi and Kyudong Jung},
journal= {arXiv preprint arXiv:2510.10041},
year = {2025}
}
备注
35 pages, 11 figures, submitted to Computers in Biology and Medicine (Elsevier, under review)