人在回路之外：课程学习的客观样本难度度量
计算机视觉与模式识别
2023-02-28 v2 机器学习
摘要
课程学习是一种按从易到难的有意义顺序训练模型的学习方法。此处的关键在于设计自动且客观的样本难度度量。在医学领域，先前工作应用人类专家的领域知识来定性评估医学图像的分类难度以引导课程学习，这需要额外的标注工作、依赖主观人类经验，并可能引入偏差。在本工作中，我们提出一种使用梯度方差(VoG)计算样本客观难度度量的新型自动化课程学习技术，并评估其在X射线图像肘部骨折分类上的效果。具体而言，我们使用VoG作为度量对每个样本按分类难度排序，其中高VoG分数表示更难以分类的病例，以引导课程训练过程。我们将所提技术与基线(无课程学习)、一种使用人类标注分类难度的先前方法以及反课程学习进行比较。我们的实验结果显示，在二分类与多类骨折分类任务上取得了可比及更高的性能。
引用
@article{arxiv.2302.01243,
title = {Human not in the loop: objective sample difficulty measures for Curriculum Learning},
author = {Zhengbo Zhou and Jun Luo and Dooman Arefan and Gene Kitamura and Shandong Wu},
journal= {arXiv preprint arXiv:2302.01243},
year = {2023}
}
备注
ISBI 2023