Conceitos Básicos
ProUDアルゴリズムは、半教師付きドメイン一般化(SSDG)問題に取り組み、効果的にドメイン不変特徴を学習し、進行的な一般化を実現します。
Resumo
この論文では、データ不平等問題に対処するためのProUDアルゴリズムが提案されました。ProUDは、ドメイン感知プロトタイプを介してドメイン不変特徴を効果的に学習し、ラベル付きと未ラベルのドメインの混合を通じて進行的な一般化を達成します。実験ではProUDがすべてのベースラインモデルを上回り、性能と堅牢性の両面で優れていることが示されました。
Biomedical ImagingやAutonomous Drivingなどさまざまな分野でデータ不平等が存在し、ProUDアルゴリズムはこれらの課題に対処する可能性があります。
416件の癌関連ゲノムワイド関連研究から収集されたデータはカフカジア人(91.1%)、アジア人(5.6%)、アフリカ系アメリカ人(1.7%)、ヒスパニック(0.5%)およびその他の人口(0.5%)から収集されました。
Estatísticas
416件の癌関連ゲノムワイド関連研究から収集されたデータはカフカジア人(91.1%)、アジア人(5.6%)、アフリカ系アメリカ人(1.7%)、ヒスパニック(0.5%)およびその他の人口(0.5%)から収集されました。
ProUDは全ての基準モデルを上回りました。
ProUDは12種類の異なるドメイン組み合わせ全体で最も低い標準偏差を達成しました。
Citações
"Data inequality not only presents practical challenges but also raises ethical concerns in the design and deployment of machine learning models."
"We propose a novel algorithm, ProUD, which can effectively learn domain-invariant features via domain-aware prototypes along with progressive generalization via uncertainty-adaptive mixing of labeled and unlabeled domains."
"Our experiments demonstrate that ProUD outperforms all baseline models including single domain generalization and semi-supervised learning."