PulseAugur
中
实时 13:54:58
English(EN) Intuitions of Machine Learning Researchers about Transfer Learning for Medical Image Classification

研究揭示机器学习研究人员在医学影像中迁移学习的直观选择

作者 PulseAugur 编辑部 · [1 个来源] ·

一项发表在arXiv上的新研究探讨了机器学习研究人员在医学图像分类迁移学习中选择源数据集时的直观决策过程。该研究通过一项调查进行，结果表明从业者的选择受到任务依赖性、社区规范、数据集特征和感知相似性的影响，而不仅仅是系统性原则。值得注意的是，研究发现相似性评分与预期性能之间存在脱节，并且在数据集选择中普遍缺乏对伦理和公平性影响的考虑。 AI

影响 强调了医学影像迁移学习在系统性源数据集选择方面存在的差距，表明需要更好的工具和框架来改善泛化能力和患者预后。

排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一项关于机器学习从业者方法的调查。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Yucheng Lu, Hubert Dariusz Zaj\k{a}c, Veronika Cheplygina, Amelia Jim\'enez-S\'anchez ·

    机器学习研究人员对医学图像分类迁移学习的直觉理解

    arXiv:2510.00902v2 Announce Type: replace Abstract: Transfer learning is crucial for medical imaging, yet the selection of source datasets often relies on researchers' intuition rather than systematic principles, which can impact the generalizability of algorithms and, thus, pati…

相关实体

相关话题