利用概率标签高效学习基于图像的诊断分类器
计算机视觉与模式识别
2021-02-12 v1 机器学习
摘要
深度学习方法常需海量数据集以实现良好泛化。这使其在以图像为基础的医学诊断等任务中的使用变得复杂,因为小型训练数据集通常不足以学习恰当的数据表示。对于此类敏感任务,提供预测中的置信度也很重要。在此,我们提出一种学习和使用概率标签的方法,以从相对较小的数据集训练准确且校准的深度网络。在三个分类任务——髋关节发育不良、脂肪肝和青光眼的诊断中,我们观察到使用这些标签训练的模型准确率较传统方法提升高达 22%。用概率标签训练的模型输出经过校准,可将其预测解释为恰当概率。我们预期该方法将适用于其他训练样本少且专家知识可编码为概率的任务。
引用
@article{arxiv.2102.06164,
title = {Sample Efficient Learning of Image-Based Diagnostic Classifiers Using Probabilistic Labels},
author = {Roberto Vega and Pouneh Gorji and Zichen Zhang and Xuebin Qin and Abhilash Rakkunedeth Hareendranathan and Jeevesh Kapur and Jacob L. Jaremko and Russell Greiner},
journal= {arXiv preprint arXiv:2102.06164},
year = {2021}
}
备注
To appear in the Proceedings of the 24 th International Conference on Artificial Intelligence and Statistics (AISTATS) 2021, San Diego,California, USA. PMLR: Volume 130