Few-shot Class-incremental Learning for Cross-domain Disease Classification

要約

タイトル: クロスドメイン疾患分類に向けたフォーショットクラス増加学習
要約:
– 限られたサンプルから新しいクラスを徐々に学ぶことは、実際の臨床応用のための人工知能システムの開発にとって重要
– 既存の増分学習技術はこの問題に取り組んできたが、特に異なるドメインからのサンプルがある場合、わずかなラベル付きデータに対して苦戦しています
– この論文では、クロスドメインフォーショットインクリメンタル学習（CDFSCIL）問題を探究する
– CDFSCILは、新しいクラスを非常に少数のラベル付きサンプルから徐々に学び、新しいクラスが対象空間から大きく異なる可能性があることを要求する
– この難しさに対処するために、クロスドメイン強化制約とクロスドメインデータ拡張法を提案
– MedMNISTでの実験では、この方法の分類性能は他の類似の増分学習方法よりも優れていることが示された。

要約(オリジナル)

The ability to incrementally learn new classes from limited samples is crucial to the development of artificial intelligence systems for real clinical application. Although existing incremental learning techniques have attempted to address this issue, they still struggle with only few labeled data, particularly when the samples are from varied domains. In this paper, we explore the cross-domain few-shot incremental learning (CDFSCIL) problem. CDFSCIL requires models to learn new classes from very few labeled samples incrementally, and the new classes may be vastly different from the target space. To counteract this difficulty, we propose a cross-domain enhancement constraint and cross-domain data augmentation method. Experiments on MedMNIST show that the classification performance of this method is better than other similar incremental learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI