弱类标签下的多任务学习：利用颅内脑电图检测隐源性癫痫的皮质病变
计算机视觉与模式识别
2016-08-02 v1
摘要
多任务学习（MTL）适用于数据源自多个个体欠采样源的领域。与将所有数据聚合在一起学习单一模型或为各数据源学习单独模型相比，MTL方法能够学习具有更高性能的分类模型。这些方法的性能依赖于标签准确性。我们解决在MTL框架中同时学习多个分类器的问题，当训练数据具有不精确标签时。我们假设存在额外信息源，其为每个实例提供反映其标签确定性的分数。将该分数建模为由底层排序函数生成，我们用增加的监督层扩充MTL框架。这产生了新的MTL方法，能够在保留通过排序信息提供的域结构的同时学习准确分类器。我们将这些方法应用于在MRI中检测患有局灶性癫痫（其MRI被专家神经放射科医生解读为正常）患者的异常皮质区域任务。除了手术切除术结果提供的噪声标签外，我们采用侵入性颅内脑电图（iEEG）检查的结果作为标签信息的额外来源。我们提出的方法能够成功检测数据集中所有患者的异常区域，并且与基线方法相比取得更高性能。
引用
@article{arxiv.1608.00148,
title = {Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy},
author = {Bilal Ahmed and Thomas Thesen and Karen E. Blackmon and Ruben Kuzniecky and Orrin Devinsky and Jennifer G. Dy and Carla E. Brodley},
journal= {arXiv preprint arXiv:1608.00148},
year = {2016}
}
备注
Presented at 2016 Machine Learning and Healthcare Conference (MLHC 2016), Los Angeles, CA