寿命の長手:連続疾患分類のためのベンチマーク【JST・京大機械翻訳】

Derakhshani Mohammad Mahdi; Najdenkoska Ivona; van Sonsbeek Tom; Zhen Xiantong; Mahapatra Dwarikanath; Worring Marcel; Snoek Cees G. M.

プレプリント

J-GLOBAL ID：202202216139084400 整理番号：22P0330159

寿命の長手:連続疾患分類のためのベンチマーク【JST・京大機械翻訳】

LifeLonger: A Benchmark for Continual Disease Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年04月12日プレプリントサーバーでの情報更新日： 2022年06月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深層学習モデルは医用画像における発見の認識において大きな有効性を示した。しかし,それらは絶えず変化する臨床環境を扱うことができず,異なる情報源から新たに注釈された医療データをもたらす。データの流入ストリームを利用するために,これらのモデルは,以前に得られた知識を忘れずに,新しいサンプルからの逐次学習から大きく恩恵を受ける。本論文では,既存の最先端の連続学習法を適用することにより,MedMNIST収集に関する継続的な疾患分類のためのベンチマークであるLifeLongerを導入した。特に,三つの連続学習シナリオ,即ち,タスクとクラスインクリメンタル学習と新しく定義されたクロスドメインインクリメンタル学習を考察した。病気のタスクとクラスインクリメンタル学習は,スクラッチからモデルを再訓練することなく,新しいサンプルを分類する問題に対処し,一方,クロスドメインインクリメンタル学習は,以前に得られた知識を保持しながら,異なる機関から生じるデータセットを扱う問題を扱う。性能の徹底的な解析を実行し,破滅的忘却のような継続的な学習のよく知られた課題が,この設定でそれ自身を示す。有望な結果は,継続的な学習が疾患分類を進歩させ,臨床設定のためのよりロバストで効率的な学習フレームワークを生産するための主要な可能性を有することを示す。完全なベンチマークのためのコードリポジトリ,データ分割およびベースライン結果は,公的に利用できる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る