合并具有多重协变量偏移和不平衡的图像数据集
机器学习
2024-11-19 v3 计算机视觉与模式识别
摘要
小样本量在许多学科中很常见，这使得有必要合并来自多个机构的粗略相似数据集，以研究图像与疾病结果之间微弱但相关的关联。此类数据通常在协变量（即次要非成像数据）中表现出偏移/不平衡。在标准统计分析中，控制此类干扰变量很常见，但这些思想并不直接适用于过参数化模型。因此，最近的工作表明，来自不变表示学习的策略提供了一个有意义的起点，但当前的方法库仅限于一次处理少数几个协变量的偏移/不平衡。在本文中，我们展示了如何从范畴论的角度看待这一问题，从而提供一个简单有效的解决方案，完全避免了原本需要的复杂多阶段训练流程。我们通过对真实数据集的广泛实验展示了该方法的有效性。此外，我们讨论了这种表述风格如何为至少 5 种以上不同的问题设置提供统一视角，范围从自监督学习到三维重建中的匹配问题。
引用
@article{arxiv.2403.02598,
title = {Pooling Image Datasets With Multiple Covariate Shift and Imbalance},
author = {Sotirios Panagiotis Chytas and Vishnu Suresh Lokhande and Peiran Li and Vikas Singh},
journal= {arXiv preprint arXiv:2403.02598},
year = {2024}
}