面向生物传感器模型的师生域适应
机器学习
2020-03-20 v2 机器学习
摘要
我们提出一种域适应方法，解决以下情形：源域数据丰富，目标域的标注数据有限或不存在，且有少量配对源-目标数据可用。该方法旨在开发基于消费级便携式生物传感器数据检测医疗状况存在的深度学习模型。它解决了该领域的一些关键问题，即难以从生物传感器获取大量临床标注数据，以及可能影响临床标签的噪声与模糊性。其思想是：在数据丰富的传感器模态的大规模标注记录数据集上预训练一个具表现力的模型，然后调整模型的较低层，使其在目标模态上的预测与原始模型在源模态配对样本上的预测相似。我们表明，预训练模型的预测比临床医生提供的标签提供了好得多的学习信号，并且该师生技术在合成数据集和关于睡眠呼吸暂停的真实案例研究中，显著优于朴素监督深度学习的应用以及标签监督的域适应版本。通过减少所需数据量并免除对标签的需求，我们的方法应降低开发高性能生物传感器深度学习模型的相关成本。
引用
@article{arxiv.2003.07896,
title = {Teacher-Student Domain Adaptation for Biosensor Models},
author = {Lawrence G. Phillips and David B. Grimes and Yihan Jessie Li},
journal= {arXiv preprint arXiv:2003.07896},
year = {2020}
}
备注
ICLR 2020