从不确定性到清晰：基于语义扩展的不确定性引导类增量学习方法，用于有限 biomedical 样本
计算机视觉与模式识别
2024-09-13 v1
摘要
在实际临床环境中，数据分布随时间演变，持续引入新的有限病例。因此，类增量学习具有重要意义，即需要深度学习模型在保持对先前疾病准确识别的同时学习新类的知识。然而，传统深度神经网络在适应新数据时除非从头训练，否则会严重遗忘先前的知识，这不仅耗时且计算负担沉重。此外，不同疾病的样本数量可能高度不平衡，新兴疾病通常具有更少的实例，从而导致分类偏差。为解决这些挑战，我们首次提出了面向有限 biomedical 样本的类增量学习方法。首先，我们提出了一种新的累积熵预测模块来衡量样本的不确定性，其中最不确定的样本被存储在记忆库中作为后续模型审阅的 exemplars。我们理论性地证明了其在衡量不确定性方面的有效性。其次，我们通过多种数据增强开发了细粒度语义扩展模块，使特征空间内的分布更紧凑，为泛化到新类提供了充足的空间。此外，采用余弦分类器来缓解由不平衡数据集引起的分类偏差。在四个不平衡数据分布上，我们的方法在两个数据集上实现了最佳性能，准确率比当前最先进方法高出最高可达53.54%。
引用
@article{arxiv.2409.07757,
title = {From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion},
author = {Yifei Yao and Hanrong Zhang},
journal= {arXiv preprint arXiv:2409.07757},
year = {2024}
}