信任不可靠性：基于 inward-backward 动态不可靠驱动的医学图像分类核心集选择
计算机视觉与模式识别
2026-03-19 v1
摘要
高效管理和利用资源受限的大规模医学影像数据集 presents significant challenges. 虽然核心集选择有助于降低计算成本，但其在医学数据中的有效性受限于固有的复杂性，如大类内变异和高类间相似性。为此，我们重新审视训练过程，发现神经网络始终会产生稳定的置信度预测，并更好地记住训练过程中靠近类中心的样本。然而，过度聚焦这些样本可能 complicate decision boundary 的建模。因此，我们认为，更不可靠的样本实际上更有助于构建决策边界。基于此，我们提出 Dynamic Unreliability-Driven Coreset Selection(DUCS) 策略。具体而言，我们引入 inward-backward 不可靠性评估视角：1) Inward Self-Awareness: 模型通过分析训练期间置信度的演化来内省其行为，从而量化每个样本的不确定性。2) Backward Memory Tracking: 模型通过跟踪样本被遗忘的频率来反思其训练轨迹，从而评估每个样本的保留能力。随后，我们选择那些置信度波动显著且在训练中被反复遗忘的不可靠样本。此选择过程确保所选样本靠近决策边界，从而有助于模型细化边界。广泛的在公开医学数据集上的实验表明，我们的 method 在 state-of-the-art(SOTA) 方法中表现优异，尤其在高压缩率时效果更为突出。
引用
@article{arxiv.2603.17603,
title = {Trust the Unreliability: Inward Backward Dynamic Unreliability Driven Coreset Selection for Medical Image Classification},
author = {Yan Liang and Ziyuan Yang and Zhuxin Lei and Mengyu Sun and Yingyu Chen and Yi Zhang},
journal= {arXiv preprint arXiv:2603.17603},
year = {2026}
}