面向医疗领域的多标签持续学习：一种新颖的基准
计算机视觉与模式识别
2024-07-19 v3 人工智能
摘要
尽管医疗领域在深度学习中至关重要，但该领域的大部分研究仅专注于在静态环境中训练模型。直到近年来，研究才开始涉足动态环境，并通过持续学习（Continual Learning, CL）技术解决灾难性遗忘问题。以往的研究主要聚焦于领域增量学习和类增量学习等场景，这些场景未能完全捕捉现实世界应用的复杂性。因此，在本工作中，通过考虑新实例与新类（New Instances and New Classes, NIC）场景，我们提出了一种新颖的基准，将新类到来和领域偏移的挑战结合在单一框架中。该基准旨在为医学成像中的多标签分类问题建立现实的 CL 设置。此外，与先前测试的场景相比，它包含更多的任务。具体而言，我们的基准由两个数据集（NIH 和 CXP）、十九个类别和七个任务组成，其任务流比先前测试的更长。为了解决 CIL 和 NIC 场景中常见的挑战（例如任务推断问题），我们提出了一种名为带有标签传播的重放整合（Replay Consolidation with Label Propagation, RCLP）的新方法。我们的方法超越了现有方法，展现出优越的性能且遗忘极少。
引用
@article{arxiv.2404.06859,
title = {Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark},
author = {Marina Ceccon and Davide Dalle Pezze and Alessandro Fabris and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2404.06859},
year = {2024}
}