Grunnleggende konsepter
ドメインシフトが存在する医療画像解析タスクにおいて、アレアトリック不確実性とエピステミック不確実性を統合的に活用することで、効率的なデータ選択が可能となる。
Sammendrag
本研究では、連邦学習(Federated Learning)の文脈で、ドメインシフトが存在する医療画像解析タスクに対して、効率的なデータ選択手法を提案している。
具体的には以下の2つのモジュールから成る連邦エビデンシャルアクティブラーニング(FEAL)を提案している:
- 校正エビデンシャルサンプリング(CES)
- グローバルモデルのエピステミック不確実性を用いて、ローカルモデルおよびグローバルモデルのアレアトリック不確実性を校正する
- データの多様性を維持するためのリラクセーション戦略を導入
- エビデンシャルモデル学習(EML)
- 正解ラベルに基づくタスク損失関数と、エビデンス正則化項を組み合わせた学習目的関数を定義
- 正確なエビデンス表現と効果的なデータ評価を実現
提案手法FEAL は、5つの実際の医療画像データセットを用いた実験で、従来手法に比べて優れた性能を示している。特に、ドメインシフトが存在する状況下でも、高い精度を維持できることが確認された。
Statistikk
医療画像解析タスクにおいて、提案手法FEAL は従来手法に比べて最大2.84%の精度向上を達成した。
Fed-ISIC データセットの5回目のアクティブラーニングラウンドにおいて、FEALは68.46%の精度を達成し、完全教師あり学習を0.84%上回った。
Fed-Camelyon データセットにおいて、FEALは完全教師あり学習の99.40%の精度を達成した。
Sitater
"ドメインシフトが存在する医療画像解析タスクにおいて、アレアトリック不確実性とエピステミック不確実性を統合的に活用することで、効率的なデータ選択が可能となる。"
"提案手法FEALは、5つの実際の医療画像データセットを用いた実験で、従来手法に比べて優れた性能を示している。特に、ドメインシフトが存在する状況下でも、高い精度を維持できることが確認された。"