본 연구는 생물의학 영상 분야에서 제한된 샘플을 활용한 클래스 증분 학습 문제를 다룬다. 실제 임상 환경에서 데이터 분포는 시간에 따라 변화하며, 새로운 질병 사례가 지속적으로 발생하므로 클래스 증분 학습이 매우 중요하다. 그러나 기존 딥러닝 모델은 새로운 데이터에 적응할 때 이전 지식을 심각하게 망각하는 문제가 있다. 또한 질병 간 샘플 크기 차이가 크고 장기 꼬리 분포를 보이는 경우가 많아 분류기의 편향이 발생한다.
이를 해결하기 위해 본 연구는 다음과 같은 접근법을 제안한다:
불확실성 추적 분석기(UTA)를 통해 샘플의 누적 엔트로피를 측정하고, 가장 불확실한 샘플을 메모리 뱅크에 저장하여 모델이 이전 지식을 효과적으로 복기할 수 있도록 한다. 이론적으로 누적 엔트로피가 높은 샘플이 모델 성능에 즉각적이고 지속적인 영향을 미침을 증명한다.
의미 확장 모듈을 통해 각 클래스를 더 세부적인 하위 특징으로 분해하여 특징 공간을 풍부하게 만들고, 새로운 클래스 도입 시 기존 클래스와의 중첩을 완화한다.
코사인 분류기를 사용하여 클래스 불균형으로 인한 편향을 효과적으로 완화한다.
제안 방법은 PathMNIST와 BloodMNIST 데이터셋에서 기존 최신 방법 대비 7.53%에서 37.12%까지 정확도를 크게 향상시켰다. 또한 각 모듈의 효과를 입증하는 실험을 수행했다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問