可解释人工智能增强方法对数据稀缺二分类问题的影响
机器学习
2024-07-10 v1 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
床旁超声（POCUS）是临床医生在患者床边直接进行和解读超声扫描的实践。然而，解读这些图像所需的专业知识相当可观，在紧急情况下可能并不总是具备。这一现实使得机器学习分类器等算法对于增强人类决策极具价值。POCUS 设备正以合理的成本变得像手机一样大小。将 POCUS 设备转变为救生工具的挑战在于，超声图像的解读需要专业的培训和经验。不幸的是，获取阳性训练图像的困难是构建高效准确分类器的重要障碍。因此，我们试图研究的问题是，如何探索提高在数据稀缺情况下训练的分类器准确性的策略。我们假设，用少量数据实例进行训练可能不足以让分类器泛化，从而导致过拟合。我们的方法采用了一种可解释人工智能增强方法，帮助算法从更少的数据中学到更多，并可能帮助分类器更好地泛化。
引用
@article{arxiv.2407.06206,
title = {The Impact of an XAI-Augmented Approach on Binary Classification with Scarce Data},
author = {Ximing Wen and Rosina O. Weber and Anik Sen and Darryl Hannan and Steven C. Nesbit and Vincent Chan and Alberto Goffi and Michael Morris and John C. Hunninghake and Nicholas E. Villalobos and Edward Kim and Christopher J. MacLellan},
journal= {arXiv preprint arXiv:2407.06206},
year = {2024}
}
备注
7 pages, 3 figures, accepted by XAI 2024 workshop @ IJCAI