用于计算机辅助诊断中不确定性估计的函数空间变分推断
机器学习
2020-05-29 v2 人工智能
机器学习
摘要
深度神经网络已彻底改变了医学图像分析与疾病诊断。尽管其性能令人瞩目，但为此类网络生成校准良好的概率输出十分困难，这使其成为难以解释的黑箱。贝叶斯神经网络为建模不确定性和提高患者安全提供了一种原则性方法，但它们计算开销大，且在校准方面的改进有限。本工作以皮肤病变分类为例，展示通过将贝叶斯推断转移到函数空间，我们可以构建有意义的先验，从而以低得多的计算成本获得校准更佳的不确定性估计。
引用
@article{arxiv.2005.11797,
title = {Functional Space Variational Inference for Uncertainty Estimation in Computer Aided Diagnosis},
author = {Pranav Poduval and Hrushikesh Loya and Amit Sethi},
journal= {arXiv preprint arXiv:2005.11797},
year = {2020}
}
备注
Meaningful priors on the functional space rather than the weight space, result in well calibrated uncertainty estimates