可迁移性度量的性能无法迁移至医学任务

迁移学习通过利用从大型数据集获得的知识，使深度学习（DL）能够在小型数据集上运行，从而提升医学图像分析的性能。随着 DL 架构数量的激增，穷举尝试所有候选架构变得不可行，这促使人们寻求更廉价的替代方案来进行架构选择。可迁移性评分方法作为一种诱人的解决方案而出现，它允许高效计算一个与目标数据集上架构准确率相关的分数。然而，由于可迁移性分数尚未在医学数据集上得到评估，其在此类场景中的使用仍不确定，阻碍了从业者从中受益。我们在本工作中填补了这一空白，在三种医学应用中（包括分布外场景）对七种可迁移性分数进行了 thorough 评估。尽管在通用数据集上结果令人鼓舞，我们的结果表明，没有任何一种可迁移性分数能够在医学场景中可靠且一致地估计目标性能，这呼吁该方向上的进一步工作。