Saliency Guided Adversarial Training for Learning Generalizable Features with Applications to Medical Imaging Classification System

要約

この研究では、機械学習の中心的な問題である、分布外（OOD）テストセットにおける性能劣化に取り組んでいる。この問題は、一見正確に見えるが、新しい病院やデータセットでテストすると失敗する医療画像ベースの診断システムで特に顕著に見られる。最近の研究では、システムは一般化可能な特徴、いわゆる良い特徴の代わりに、短絡的で関連性のない特徴を学習する可能性があることが示されている。我々は、敵対的学習により近道特徴を排除し、顕著性学習により非関連性特徴をフィルタリングすることができると仮定している。そこで、我々は、OODテストセットにおいて一貫した汎化性能を確保するために、深層ニューラルネットワークのための新しいモデル学習スキームを策定し、分類や検出タスクのための優れた特徴を学習することを提案する。実験結果は、ベンチマークとなるCXR画像データセットを用いて、分類タスクにおける我々の手法の優れた性能を定性的、定量的に示している。

要約(オリジナル)

This work tackles a central machine learning problem of performance degradation on out-of-distribution (OOD) test sets. The problem is particularly salient in medical imaging based diagnosis system that appears to be accurate but fails when tested in new hospitals/datasets. Recent studies indicate the system might learn shortcut and non-relevant features instead of generalizable features, so-called good features. We hypothesize that adversarial training can eliminate shortcut features whereas saliency guided training can filter out non-relevant features; both are nuisance features accounting for the performance degradation on OOD test sets. With that, we formulate a novel model training scheme for the deep neural network to learn good features for classification and/or detection tasks ensuring a consistent generalization performance on OOD test sets. The experimental results qualitatively and quantitatively demonstrate the superior performance of our method using the benchmark CXR image data sets on classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL