A conformalized learning of a prediction set with applications to medical imaging classification

要約

医用画像分類器は高い予測精度を達成できますが、その不確実性を定量化することが未解決の課題のままであり、そのため診療所への導入が妨げられています。
任意の分類子を変更して、ユーザーが指定した確率 (90% など) で真のラベルを含む予測セットを生成できるアルゴリズムを紹介します。
インスタンスベースのバージョンの等角予測しきい値を予測するようにネットワークをトレーニングします。
次に、必要なカバレッジを確保するために、しきい値が等化されます。
私たちは、提案されたアルゴリズムをいくつかの標準的な医用画像分類データセットに適用しました。
実験結果は、望ましいカバレッジを維持しながら予測セットの平均サイズが小さいという点で、私たちの方法が現在のアプローチよりも優れていることを示しています。

要約(オリジナル)

Medical imaging classifiers can achieve high predictive accuracy, but quantifying their uncertainty remains an unresolved challenge, which prevents their deployment in medical clinics. We present an algorithm that can modify any classifier to produce a prediction set containing the true label with a user-specified probability, such as 90%. We train a network to predict an instance-based version of the Conformal Prediction threshold. The threshold is then conformalized to ensure the required coverage. We applied the proposed algorithm to several standard medical imaging classification datasets. The experimental results demonstrate that our method outperforms current approaches in terms of smaller average size of the prediction set while maintaining the desired coverage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google