基于显著性的聚类框架用于识别异常预测
本文研究了自动图像分类中的故障检测,通过对 6 个医学影像数据集的测试发现,现有的置信度评分方法无法准确检测分类模型的测试失败,建议今后加强研究,提高故障检测的准确性。
May, 2022
本文研究了在计算机视觉中,如何利用人类视觉系统对图像异常性进行识别和分类,提出了一种基于人类实验数据的异常图像分类法以及一种能够准确预测各种异常情况的计算模型,并相应建立了一个异常图像数据集。
Dec, 2015
本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法,可以更精确地预测,提高分类器的预测准确性,尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。
Jul, 2019
本论文研究了机器学习模型的可靠性问题,发现输入信息的典型性与模型预测的准确性和过度自信程度有关,提出使用输入信息的典型性来改进模型的性能和不确定性估计。通过案例研究,展示了该方法可以在不获取群组属性的情况下提高人类皮肤病变分类器在不同肤色群体中的性能。
May, 2023
针对现实场景中实际应用领域不断增多的无泛化的外部分布,我们的新方法利用多个可视化的、不同的、合成异常学习任务进行训练和验证,从而增强了样本的鲁棒性和泛化性,实现了对基于脑部 MRI 和胸部 X 射线的最新方法的超越。
Jul, 2023
本文提出一种新的框架,将路径积分、反事实解释和生成模型相结合,以获得包含少量可观察到的人工构件或噪声的归因,并通过对各种复杂度的数据集的流行基准测试进行定量评估,证明这一方法优于现有的替代方法。
Jul, 2021
通过人机协作框架和随机采样算法,以设计平衡探索和利用的措施为手段,从未标记数据中高效地识别误分类模式,并运用行列式点过程构造生成器,展现了竞争性能的实验结果。
Jun, 2023
本文研究了深度神经网络在皮肤癌诊断中可能存在的混淆因素问题,并提出了人类介入的模型训练框架,在黑盒模型解释性概念空间中解释了复杂特征表示,并对数据集进行了清洗,最终提高了模型的性能与可靠性。
Mar, 2023
在安全关键的分类任务中,我们提出了一种适用于含有模糊标签的情况的 conformal prediction 框架,在 approximated 的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法,并在皮肤病学中患者条件分类的案例研究中进行了实证。
Jul, 2023
本文针对网络环境下的异常检测问题,通过系统分析已有的公共和私有基准数据,探索了其时态性、多变量性和空间属性特征,并提出了基于聚类的简化标注方法,实验结果为 2-10 倍。
Nov, 2022