医学诊断的单模态均一约束 Wasserstein 训练

ICCVNov, 2019

医学诊断的单模态均一约束 Wasserstein 训练

Unimodal-uniform Constrained Wasserstein Training for Medical Diagnosis

Xiaofeng Liu, Xu Han, Yukai Qiao, Yi Ge, Lu Jun

TL;DR本文介绍了一种利用 Wasserstein 距离作为损失函数的方法，结合分别建立起的线性，凸性和凹性的地面度量，实现了对实现多类别疾病的医疗诊断任务的高效处理，并通过构建平滑目标标签来模拟异常情况，实现了相关医疗数据 (如糖尿病视网膜病变和乳房超声波数据集) 的最先进性能。

Abstract

The labels in medical diagnosis task are usually discrete and successively distributed. For example, the Diabetic Retinopathy Diagnosis (DR) involves five health risk levels: no DR (0), mild DR (1), moderate DR (2), severe DR (3) and proliferative DR (4). This labeling system is common

medical diagnosis wasserstein distance smoothed target labels inter-class correlations state-of-the-art performance

发现论文，激发创造

使用 Wasserstein Loss 进行学习

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015

姿态估计的保守瓦瑟斯坦训练

本文提出了一种基于 Wasserstein 训练框架的方法，通过预定义圆的弧长或自适应学习地度量类别之间的相关性，并利用保守的目标标签建立包括离群值的混合分布模型，从而解决深度学习中离散和周期类标签（例如姿势 / 方向估计）的问题，并通过凸映射函数的地度量方法和封闭式解得到更好的性能表现。

Nov, 2019

基于 Sliced Wasserstein 距离的无监督域自适应

本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法，即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。

Mar, 2019

具有 Wasserstein 不确定性集的强健性假设检验

提出一种新的非参数假设检验框架，基于分布鲁棒优化，考虑接近经验分布的分布，旨在最小化最坏情况下的性能，具有较好的鲁棒性，应用于健康护理、在线变点检测和异常检测等领域，实验结果表明方法性能优越。

May, 2021

使用 Wasserstein 距离进行极小极大统计学习

本论文基于 Wasserstein 空间的球体不确定性集合，提出了用于统计学习的极小极大框架，并证明了涉及原始极大似然问题的覆盖数特性的一般化界限。作为一个具体的例子，我们为基于传输的域自适应问题提供了推广保证，其中源域和目标域分布之间的 Wasserstein 距离可以可靠地从未标记样本中估算。

May, 2017

基于 Wasserstein 距离的数据驱动分布鲁棒优化：性能保证和可行重构

研究使用 Wasserstein metric 中有限训练数据集，构建球形分布空间来解决分布鲁棒优化问题，并阐述其在投资组合优化和不确定性量化等领域的实用性和性能保证。

May, 2015

Wasserstein 分布鲁棒优化：机器学习中的理论和应用

此论文介绍了基于 Wasserstein 分布鲁棒优化的数据驱动决策方法，能够解决样本有限、参数不确定的情况下，采用仅仅通过数据学习决策的问题，绕过测试样本不能涵盖所有情况的问题，具有良好的效果且容易计算。此方法对于分类、回归等基本学习任务有很好启示作用。

Aug, 2019

使用 Wasserstein 度量的分布鲁棒优化分解算法

本文研究了基于 Wasserstein 距离的分布鲁棒优化问题，将其归约为半无限规划问题，并提供了求解非线性模型的交换算法和凸情况下基于分离预言的中心割面算法，通过对分布鲁棒广义 logistic 回归模型的数字实验表明，该算法无论是在预测精度上还是在标准误差方面都表现得更好。

Apr, 2017

Hinge-Wasserstein: 通过分类降低回归的过度自信

本篇论文提出了一种基于 Wasserstein 距离的损失函数 (hinge-Wasserstein)，用于解决深度神经网络训练过程中的置信度过高问题，可以提升模型对两种不确定性的估计能力，并在 Horizon Lines in the Wild 数据集上取得显著的误差减小效果。

Jun, 2023

Cramer 距离作为解决偏置 Wasserstein 梯度的方案

本文研究了概率分歧度量的性质，比较了 Wasserstein 度量与 Kullback-Leibler 分歧的差异，提出 Cramér 距离作为一种替代度量并设计了 Cramér 生成对抗网络，表现显著优于 Wasserstein 生成对抗网络。

May, 2017