PulseAugur
中
实时 11:36:35
English(EN) AUCp: Pseudo-AUC for Inference Model Selection with Unlabeled Validation Data in Abnormality Detection

新的 AUCp 指标有助于异常检测模型选择

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为 AUCp 的新指标，旨在改进异常检测任务中的模型选择，尤其是在医学影像领域。该指标解决了依赖已标记验证数据的挑战，因为对于罕见病而言，这些数据通常稀缺或获取耗时。通过将所有未注释的测试样本视为阳性并使用传统的 AUC 计算，AUCp 可以在不需要已注释测试集的情况下有效识别推理的最佳模型，在无监督和自监督学习场景中表现优于传统指标。 AI

影响 引入了一种新颖的指标，以改进医学异常检测中的模型选择，有可能在资源有限的情况下提高诊断准确性。

排序理由 这是一篇介绍特定机器学习任务新指标的研究论文。[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) · Md Mahfuzur Rahman Siddiquee, Fazle Rafsani, Jay Shah, Teresa Wu, Catherine D Chong, Todd J Schwedt, Baoxin Li ·

    AUCp：用于无标签验证数据异常检测中推理模型选择的伪 AUC

    arXiv:2606.08742v1 Announce Type: new Abstract: Abnormality detection is a crucial yet challenging task in medical image analysis. Distinguishing abnormalities from normal data by learning to reconstruct normal-only data alleviates the reliance on labeled datasets. However, many …

相关话题