WaveFuse-AL：面向医学影像的循环且性能自适应的多策略主动学习
计算机视觉与模式识别
2025-11-20 v1 机器学习
摘要
主动学习通过战略性地选择最具信息性的样本进行标注，从而降低医学影像的标注成本。然而，各个获取策略在主动学习周期的不同阶段往往表现不一致。我们提出循环且性能自适应的多策略主动学习框架WaveFuse-AL，该框架在学习过程中对融合多个已 established 获取策略-BALD、BADGE、Entropy和CoreSet进行自适应。WaveFuse-AL将循环（正弦）时间先验与性能驱动的适应性相结合，动态调整策略在时间上的重要性。我们在三个医学影像基准数据集上评估WaveFuse-AL：APTOS-2019（多类分类）、RSNA肺炎检测（二分类）以及ISIC-2018（皮肤瘤分割）。实验结果表明，WaveFuse-AL consistently优于单一策略和交替策略基线，在十二个指标测度中九个以上均实现了统计显著的性能提升，同时最大化了有限标注预算的效用。
引用
@article{arxiv.2511.15132,
title = {WaveFuse-AL: Cyclical and Performance-Adaptive Multi-Strategy Active Learning for Medical Images},
author = {Nishchala Thakur and Swati Kochhar and Deepti R. Bathula and Sukrit Gupta},
journal= {arXiv preprint arXiv:2511.15132},
year = {2025}
}