背景信息对于分布外泛化的重要性
计算机视觉与模式识别
2022-06-20 v1
摘要
医疗图像分类中的域泛化对于可信任机器学习在医疗领域的部署是一个重要问题。我们发现，现有利用真实异常分割来控制特征归因的域泛化方法，其分布外（OOD）性能相对于经验风险最小化（ERM）的标准基线较差。我们研究了图像中哪些区域对医疗图像分类重要，并表明不属于异常分割的背景部分提供了有益信号。随后我们开发了一种覆盖所有相关区域的新型任务特定掩码。利用该新分割掩码显著提升了现有方法在 OOD 测试集上的性能。为获得优于 ERM 的泛化结果，我们发现除使用这些任务特定掩码外，有必要扩大训练数据规模。
引用
@article{arxiv.2206.08794,
title = {The Importance of Background Information for Out of Distribution Generalization},
author = {Jupinder Parmar and Khaled Saab and Brian Pogatchnik and Daniel Rubin and Christopher Ré},
journal= {arXiv preprint arXiv:2206.08794},
year = {2022}
}
备注
6 pages, 2 figures