通过元学习在有限数据的高风险领域中进行单次技能评估
计算机视觉与模式识别
2024-04-22 v5 机器学习
图像与视频处理
摘要
深度学习(DL)已在多个高风险领域实现了稳健的能力评估。然而，DL 模型的适用性常受其大量数据需求及局限于特定训练领域的制约。这阻碍了它们向数据稀缺的新任务迁移。因此，领域自适应成为 DL 在现实场景中实际部署的关键要素。在此，我们引入 A-VBANet，一种新颖的元学习模型，能够通过单次学习提供领域无关的技能评估。我们的方法通过在五个腹腔镜和机器人模拟器以及真实腹腔镜胆囊切除术上评估手术技能进行了测试。我们的模型成功适配，在模拟任务的单次和少次设定下准确率分别达 99.5% 和 99.9%，在腹腔镜胆囊切除术上达 89.7%。本研究标志着首次提出用于关键领域技能评估的领域无关方法，为 DL 在多样真实领域有限数据下的广泛应用开创了先例。
引用
@article{arxiv.2301.00812,
title = {One-shot skill assessment in high-stakes domains with limited data via meta learning},
author = {Erim Yanik and Steven Schwaitzberg and Gene Yang and Xavier Intes and Jack Norfleet and Matthew Hackett and Suvranu De},
journal= {arXiv preprint arXiv:2301.00812},
year = {2024}
}
备注
23 pages (Main Manuscript + Supplementary Materials + Arxiv Logs), 4 figures (+2 Supplementary Figures), 2 tables (+5 Supplementary Tables)