BloodMNIST
PulseAugur coverage of BloodMNIST — every cluster mentioning BloodMNIST across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的FedSumUp方法增强了联邦学习的隐私和效率
研究人员开发了FedSumUp，一种新颖的联邦学习方法，可增强隐私并减少客户端设备的计算开销。FedSumUp利用可学习的有损压缩器生成紧凑、可解释的表示，允许用户直接评估隐私-效用权衡。这种方法最大限度地减少了隐私泄露，同时保留了任务相关的语义，并在BloodMNIST、CIFAR-10和ChestMNIST等数据集上展示了客户端运行时间高达96.5%的显著缩减，同时保持了具有竞争力的分类准确性。
-
MOXIE框架揭示生物医学图像分类器的多种替代性解释
研究人员开发了MOXIE，一个旨在为生物医学图像分类器预测揭示多种替代性解释的进化框架。与基于固定图像分割提供单一解释的方法不同，MOXIE识别图像片段的子集，这些子集在最小化使用图像数据量的同时保持分类器的置信度。这种方法生成解释的帕累托前沿，提供对模型如何做出决策的更全面理解，并突出上下文区域的影响。该框架在BloodMNIST和HAM10000数据集上进行了评估，与LIME等现有方法相比，表现更优。
-
新的正则化器通过隔离噪声来提高AI模型性能
研究人员开发了新的正则化器，通过在训练期间强制执行信号-噪声分解（SNF）和信号-信号分解（SSF）来提高深度神经网络的性能。在CIFAR-100上的实验表明，增强SNF可以提高模型准确性，而增强SSF并未带来类似的收益。在带有MedMNIST-C损坏的BloodMNIST数据集上进行的进一步测试表明，SNF正则化器在处理分布外图像失真方面具有显著的性能提升，通过将干扰变化隔离到不同的子空间中来证明其有效性。
-
StyleGANCA: Lightweight NCA for Medical Image Synthesis
研究人员推出了一种新颖的生成对抗网络 StyleGANCA，它利用神经元胞自动机（NCA）进行医学图像合成。该架构集成了受 StyleGAN 启发的映射网络和自适应风格调制，通过迭代局部交互实现潜在控制的图像生成。与现有模型相比，StyleGANCA 在参数数量显著减少的情况下展示了具有竞争力的图像质量，在 PathMNIST 数据集上以最少的参数数量取得了最高分。下游实验证实，StyleGANCA 生成的合成图像能有效保留类别特定信…
-
新的GradSkip方法增强了Vision Transformer的可解释性和效率
研究人员开发了一种名为GradSkip的新方法，用于解释Vision Transformer（ViTs）的决策。与先前假设注意力头具有同等重要性并将跳跃连接视为简单路径的旧方法不同，GradSkip动态地对注意力头进行加权，并考虑了通过跳跃连接流动的相关性。在ImageNet1K和BloodMNIST上的实验表明，GradSkip在保持最先进的忠实度的同时，计算效率显著提高，所需的GFLOPs比现有方法少14倍以上。在基于Transf…
-
DMDSC分类器为不平衡医学图像数据集调整边距
研究人员开发了一种名为DMDSC的新分类器，旨在改善在存在极端类别不平衡的医学成像数据集中进行开放集识别的性能。这种动态边距方法根据标签频率调整边距，对罕见病理施加更严格的惩罚和更紧密的特征聚类。在BloodMNIST和OCTMNIST等数据集上的实验表明，DMDSC的性能优于现有的最先进方法。