抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ほとんどの医療課題は,複雑な患者レベル条件および稀な疾患の存在のため,自然に長い分布を示す。既存の長尾学習法は,通常,長尾分布を再バランスさせるために,各クラスを等しく処理する。しかし,いくつかの挑戦的なクラスが多様なクラス内分布を示すかもしれないことを考慮すると,すべてのクラスを等しく再平衡することは,有意な性能低下につながる可能性がある。これに対処するために,本論文では,長尾皮膚病変分類タスクのための柔軟なサンプリングと呼ばれるカリキュラム学習ベースフレームワークを提案した。具体的には,まず,個々のクラスプロトタイプに基づくアンカーポイントとして訓練データの部分集合をサンプリングした。次に,これらのアンカーポイントを用いて,パークラス学習困難を評価するために推論モデルを事前訓練した。最後に,学習困難意識サンプリング確率を持つ静止訓練サンプルから新しいサンプルを動的に質問するためにカリキュラムサンプリングモジュールを使用した。ISICデータセットのいくつかの最先端手法に対するモデルを評価した。2つの長尾設定による結果は,提案した訓練戦略の優位性を示し,それは長尾皮膚病変分類のための新しいベンチマークを達成した。【JST・京大機械翻訳】