重新审视数据稀缺下部分监督多标签分类的邻近风险最小化
机器学习
2022-04-20 v1 计算机视觉与模式识别
机器学习
摘要
由于标注的人力成本高昂，策划一个对所有感兴趣类别均完全标注的大规模医学数据集并非易事。相反，从不同的匹配来源收集多个小型部分标注数据集会更为便利，其中医学图像可能仅对感兴趣类别的一个子集进行了标注。本文对一未被充分探索的问题提供了经验性理解，即部分监督多标签分类（PSMLC），其中多标签分类器仅使用部分标注的医学图像进行训练。与完全监督的对应方法相比，由医学数据稀缺导致的部分监督对模型性能具有非平凡的负面影响。一个潜在的补救方法是扩充部分标签。尽管邻近风险最小化（VRM）已成为提升模型泛化能力的一种有前景的方案，但其在 PSMLC 上的应用仍是一个开放问题。为弥补方法上的鸿沟，我们提供了首个基于 VRM 的 PSMLC 解决方案。经验结果也为数据稀缺下部分监督学习的未来研究方向提供了见解。
引用
@article{arxiv.2204.08954,
title = {Revisiting Vicinal Risk Minimization for Partially Supervised Multi-Label Classification Under Data Scarcity},
author = {Nanqing Dong and Jiayi Wang and Irina Voiculescu},
journal= {arXiv preprint arXiv:2204.08954},
year = {2022}
}
备注
Accepted by CVPR 2022 Workshop on Learning with Limited Labelled Data for Image and Video Understanding