論文要約:Consecutive Knowledge Meta-Adaptation Learning for Unsupervised M
Consecutive Knowledge Meta-Adaptation Learning for Unsupervised Medical Diagnosis
概要
教師なしドメイン適応、Unsupervised Domain Adaptation(UDA)において、複数ターゲット病変ドメインへの適用、および、ソース病変ドメインの壊滅的忘却を軽減する、メタ適応フレームワーク、Consecutive lesion Adaptive Meta-Learning(CLKM)を提案。
書誌情報
2022/9/21
Yumin Zhang
き南大学(中国)
https://arxiv.org/abs/2209.10425
背景
教師なしドメイン適応、Unsupervised Domain Adaptation(UDA)は、高価なアノテーションとドメインギャップの問題に有用。
しかし、既存の、教師なしドメイン適応、UDAは、ソース病変ドメインから学習した知識を1つのターゲット病変ドメインにしか適応できない。また、過去に学習した知識は新たに学習した知識で上書きされてしまうため(壊滅的忘却)、ソース病変ドメインでの性能は低下してしまう。
方法
メタ適応フレームワーク、Consecutive lesion Adaptive Meta-Learning(CLKM)を提案。
セマンティック適応フェーズ、Semantic Adaptation Phase(SAP)と表現適応フェーズ、Representation Adaptation Phase(RAP)で構成。
セマンティック適応フェーズ、SAPでは、ソース病変ドメインで学習したセマンティックな知識を、連続するターゲット病変ドメインに転移。
表現適応フェーズ、RAPでは、ソース病変ドメインと複数のターゲット病変ドメインに共通する表現特徴に整合するように特徴抽出器とdomain-quantizerを最適化。
ソース病変分布と連続するターゲット病変分布のギャップを測定するため、自己適応カーネル、self-adaptive kernelを導入。self-adaptive kernelは、全結合ネットワーク。全結合+softplus(5層)。分布差を測定。
教師なしドメイン適応による、セマンティック適応時の壊滅的忘却を軽減するため、損失関数にドメイン量子化器、domain-quantizerのペナルティ項を追加。知識の寄与を定量化することによる。過去の特徴と新しい特徴を加重平均。
結果
6つの皮膚病変データセット(HAM10000(HAM)、MSK、UDA、SONIC(SON)、Derm7pt(D7P)、PH2)で有効性を確認。
HAMをソース病変ドメイン、それ以外をターゲット病変ドメインとして実験している。
Discussion