A Survey on Causal Representation Learning and Future Work for Medical Image Analysis

要約

統計的機械学習アルゴリズムは、ベンチマーク データセットで最先端の結果を達成し、多くのタスクで人間を上回りました。
しかし、予測不可能な因果関係を持つ分布外データと交絡因子は、既存のモデルのパフォーマンスを大幅に低下させます。
因果表現学習 (CRL) は、最近、視覚理解における因果関係の問題に対処するための有望な方向性となっています。
この調査は、視覚における CRL の最近の進歩を示しています。
まず、因果推論の基本概念を紹介します。
次に、特に不変リスクの最小化における CRL の理論的作業と、機能の理解と転移学習における実際的な作業を分析します。
最後に、医用画像解析と CRL 一般理論における将来の研究の方向性を提案します。

要約(オリジナル)

Statistical machine learning algorithms have achieved state-of-the-art results on benchmark datasets, outperforming humans in many tasks. However, the out-of-distribution data and confounder, which have an unpredictable causal relationship, significantly degrade the performance of the existing models. Causal Representation Learning (CRL) has recently been a promising direction to address the causal relationship problem in vision understanding. This survey presents recent advances in CRL in vision. Firstly, we introduce the basic concept of causal inference. Secondly, we analyze the CRL theoretical work, especially in invariant risk minimization, and the practical work in feature understanding and transfer learning. Finally, we propose a future research direction in medical image analysis and CRL general theory.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google