不確実性を信じる: 医用画像分類のための内向き・後向き動的不確実性駆動コアセット選択

概要: 効率的に限られたリソースで大規模な医用画像データセットを管理・活用することは、重大な課題を呈します。コアセット選択は計算コストの削減に役立つ一方で、医療データにおけるその有効性は、クラス内の大きなばらつきやクラス間の高い類似性といった本質的な複雑さのために限定的です。これに対処するため、私たちはトレーニングプロセスを見直し、ニューラルネットワークが訓練中に一貫して安定した確信度予測を生み出し、クラス中心近くのサンプルをよりよく記憶していることを観察します。しかし、これらのサンプルに集中することは、決定境界のモデリングを複雑にする可能性があります。したがって、信頼性の低いサンプルほど、決定境界の構築を助ける上でより有益であると主張します。これを踏まえ、Dynamic Unreliability-Driven Coreset Selection(DUCS)戦略を提案します。具体的には、内向き・後向きの信頼性評価の視点を導入します: 1) 内向き自己認識: 訓練中の確信度の変化を分析することでモデルの挙動を内省し、各サンプルの不確実性を定量化します。 2) 後方記憶追跡: 訓練中の忘却頻度を追跡することで、各サンプルの保持能力を評価します。 次に、訓練中に顕著な確信度の変動を示し、繰り返し忘れられる不確実性の高いサンプルを選択します。この選択プロセスは、選ばれたサンプルが決定境界の近傍にあることを保証し、境界を洗練させるのをモデルに役立てます。公開医療データセットを用いた広範な実験は、最先端（SOTA）手法と比較して優れた性能を示し、特に高い圧縮率で顕著です。