本文介绍深度学习中的 shortcut learning 问题，该问题用于在标准基准测试中表现良好的决策规则在更具挑战性的测试条件下失败，作者提出了一些模型解释和基准测试的建议，以改善从实验室到真实世界应用的稳健性和可迁移性。

Apr, 2020

本文研究了深度学习模型中的 shortcut 特征在测试或部署时可能会产生的问题，提出了自我监督方法可以提高图像表示的健壮性和降低模型对 shortcut 特征的依赖，特别是在医学成像领域中具有一定的应用前景。

Jun, 2022

本文介绍了一系列实验来深入理解深度神经网络中的快捷学习和其影响。作者设计了一种学习 WCST-ML 的训练过程，证明了在相同的机会下某些提示优先于其他提示，这可以通过 Kolmogorov 复杂度来解释。作者的研究基于 DSprites 和 UTKFace 数据集，强调了消除模型偏见的重要性。

Oct, 2021

通过快速扩散基于反事实的图像生成和基于修补的修改方法，我们检测和量化潜在的捷径特征对模型预测的影响。我们通过在两个大型胸部 X 射线数据集、一个皮肤病损数据集和 CelebA 上确认，验证了我们的方法在推理速度显著提升、图像质量与最先进技术可比的同时的有效性。

Dec, 2023

本文首次将现实图像中常见的背景纳入研究范畴，提出了一种名为 COSOC 的无监督前景对象提取模型，在缩小训练和测试之间的差距，提高 Few-Shot Learning 任务的性能方面发挥了显著作用。

Jul, 2021

深度学习在医学图像处理领域的应用受到数据不足的限制，因此研究者们开发出了一种称为 “Few-shot learning” 的模型，通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述，介绍了医学图像分析中的方法学策略比较，描述了 Few-shot learning 在医学图像处理应用的最新进展，并展望了其未来的应用前景。

May, 2023

本文提出了一种利用图像级标签来促进分割的双 U 形两阶段框架，通过预训练分类网络获取层次金字塔特征并引导下游分支的学习，在像素级标签的监督学习下，通过短跳和长跳将从分类分支获得的层次特征输入到下游分支中，并得到病变掩模，实验证明我们的框架相比只使用像素级标注的网络取得了更好的结果。

Jun, 2024

通过实验探索介绍了医学图像分割中实现的技巧与相应的 phase（模型预训练、数据预处理、数据增强、模型实现、模型推断和结果后处理），强调技巧对模型性能的影响并构建插拔式组件 MedISeg 仓库，提供全面而实用的医学图像处理指导并解决小数据集学习、类不平衡学习、多模态学习以及域适应等未来挑战。

Sep, 2022

机器学习模型中，为了解决与种族和性别等社会属性相关的公平性风险问题，我们提出了一种名为 "Shortcut Debiasing" 的方法，通过设计控制性的替代特征来代替偏见特征，在训练阶段利用这些特征来提高目标任务的学习，并在推断阶段通过干预来消除这些特征，从而在准确性和公平性方面实现了显著改善。

Aug, 2023

基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

Sep, 2023