Core Concepts
카운터팩추얼 이미지 생성을 활용하여 도메인 변화에 강건한 표현을 학습할 수 있다.
Abstract
이 연구에서는 카운터팩추얼 이미지 생성을 활용한 대조 학습 방법인 CF-SimCLR을 제안한다. CF-SimCLR은 실제 이미지와 도메인 카운터팩추얼 이미지를 쌍으로 생성하여 대조 학습 목적함수에 활용한다. 이를 통해 도메인 변화에 강건한 표현을 학습할 수 있다.
실험 결과, CF-SimCLR은 표준 SimCLR 및 카운터팩추얼 이미지를 단순히 학습 데이터에 추가하는 SimCLR+ 방법에 비해 우수한 성능을 보였다. 특히 데이터가 부족한 도메인이나 학습 도메인과 다른 외부 데이터셋에서 성능 향상이 두드러졌다. 이는 카운터팩추얼 이미지를 활용한 대조 학습이 도메인 간 정렬을 향상시켜 도메인 변화에 강건한 표현을 학습할 수 있음을 보여준다.
Stats
폐렴 탐지 실험에서 RSNA 데이터셋의 경우 10%의 레이블 데이터로 ROC-AUC 0.84를 달성했다.
유방 밀도 예측 실험에서 Senographe Essential 데이터셋의 경우 10%의 레이블 데이터로 ROC-AUC 0.94를 달성했다.
Quotes
"카운터팩추얼 대조 학습은 실제 이미지와 도메인 카운터팩추얼 이미지를 쌍으로 생성하여 대조 학습 목적함수에 활용한다."
"CF-SimCLR은 표준 SimCLR 및 SimCLR+ 방법에 비해 우수한 성능을 보였으며, 특히 데이터가 부족한 도메인이나 외부 데이터셋에서 두드러진 성능 향상을 보였다."