Exploiting Invertible Decoders for Unsupervised Sentence Representation Learning
UC San Diego(加州大学圣地亚哥分校)
用于无监督句子表示学习的编码器-解码器模型在大型未标记语料库上训练之后倾向于丢弃解码器,因为仅需要编码器将输入句子映射到向量表示。然而,在解码器中学习的参数也包含关于语言的有用信息。为了利用学习后的解码器,我们提出了两种类型的解码功能,其逆可以很容易地得出,而无需昂贵的逆计算。因此,解码函数的逆函数充当产生句子表示的另一个编码器。我们表明,精心设计的解码功能,该模型学习良好的句子表示,和合奏的表示产生的编码器和逆解码器表现出更好的泛化能力和坚实的可转移性。
2019-05-31 cs.CL cs.LG cs.NE
Revealing Neurocognitive and Behavioral Patterns by Unsupervised Manifold Learning from Dynamic Brain Data
Stanford University(斯坦福大学);University of Florida(佛罗里达大学);Fudan University(复旦大学);Delft University of Technology(代尔夫特理工大学)
本文提出基于脑动态卷积网络的嵌入方法BCNE,通过解读动态脑数据的时空相关性并进行无监督流形学习,有效揭示场景转换、记忆叙事、学习阶段及主动被动行为等神经认知模式。
2025-08-07 cs.AI cs.LG q-bio.NC
Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI
TU Munich(慕尼黑工业大学);Klinikum rechts der Isar(伊萨尔河右岸医院);ETH Zurich(苏黎世联邦理工学院);Johns Hopkins University(约翰斯·霍普金斯大学)
脑病理在大小和形状上可以变化很大,范围从几个像素(即MS病变)到大的占位性肿瘤。最近提出的自动编码器为基础的方法,在脑MRI无监督异常分割表现出良好的性能,但面临的困难,在建模的分布与高保真度,这是至关重要的准确描绘特别小的病变。在这里,类似于这些以前的作品,我们对健康大脑MRI的分布进行建模,以定位错误重建的病理。然而,为了在更高分辨率下实现改进的重建保真度,我们学习使用拉普拉斯金字塔压缩和重建健康脑MRI的不同频段。在一系列的实验中,我们的方法与不同的国家的最先进的方法在三个不同的脑MR数据集与MS病变和肿瘤进行比较,我们显示出改进的异常分割性能和一般能力,以获得更清晰的重建输入数据在本地分辨率。拉普拉斯金字塔的建模进一步使得能够在多个尺度上描绘和聚集病变,这允许使用单个模型有效地应对不同的病理和病变尺寸。
2020-06-23 cs.CV cs.LG eess.IV
Syndrome-Enabled Unsupervised Learning for Neural Network-Based Polar Decoder and Jointly Optimized Blind Equalizer
MediaTek, Inc.(联发科股份有限公司)
最近,伴随式丢失已经被提出来实现基于神经网络的BCH/LDPC解码器的“无监督学习”。然而,该设计方法不能直接应用于极化码,并且尚未在变化的信道下进行评估。在这项工作中,我们提出了两个修改的综合征损失,以促进无监督学习的接收器。然后,我们首先将其应用于基于神经网络的置信传播(BP)极性解码器。在CRC启用的综合征丢失的帮助下,BP解码器甚至可以在误块率方面优于传统的监督学习方法。其次,我们提出了一种联合优化的综合征使能盲均衡器,它可以避免传输的训练序列,并达到全球最佳的1.3 dB增益比非盲最小均方误差(MMSE)均衡器。
2020-06-16 cs.LG eess.SP
Large-Scale Unsupervised Deep Representation Learning for Brain Structure
University of Southern California(南加利福尼亚大学)
机器学习(ML)越来越多地用于基于结构磁共振成像(MRI)数据的脑相关疾病的计算机辅助诊断。大多数此类工作都采用了从大脑不同区域计算出的具有生物学和医学意义的手工特征。构建这种高度专业化的功能需要大量的时间,人工监督和仔细的质量控制,以确保在计算过程中没有错误。深度表示学习的最新进展在从数据中提取高度非线性和信息丰富的特征方面表现出了巨大的潜力。在本文中,我们提出了一种新的大规模深度无监督方法来学习结构性脑MRI扫描的通用特征表示,该方法不需要专门的领域知识或人工干预。我们的方法产生了大脑结构的低维表示,它可以用来重建大脑图像,具有非常低的误差,并表现出与FreeSurfer功能在各种分类任务的性能。
2018-05-02 cs.LG stat.ML
Unsupervised Learning for Neural Network-based Polar Decoder via Syndrome Loss
Department of Electrical Engineering, National Taiwan University(台湾大学电气工程学系)
随着深度学习在各个领域的快速发展,机器学习辅助通信系统吸引了大量的研究,并取得了许多引人注目的初步成果。现阶段,大多数方法仍然需要大量的标记数据进行监督学习。然而,在实际应用中,获得标记数据是不可行的,这可能会导致严重的性能下降,由于信道变化。为了克服这样的约束,伴随式损失已被提出来惩罚无效的解码码字,并实现基于神经网络的解码器的无监督学习。然而,它不能直接应用于极化解码器。在这项工作中,通过利用极化码的性质,我们提出了一种改进的综合征损失。从仿真结果来看,所提出的方法证明了码结构中的特定领域知识和专有技术可以实现基于神经网络的极化解码器的无监督学习。
2019-11-05 cs.LG eess.SP
Unsupervised learning with GLRM feature selection reveals novel traumatic brain injury phenotypes
Perelman School of Medicine(佩雷尔曼医学院);University of Pennsylvania(宾夕法尼亚大学)
基线损伤分类对创伤性脑损伤(TBI)的研究和治疗具有重要意义。目前的分类主要是基于损伤的评分,不足以捕捉损伤的异质性。在这项工作中,我们应用无监督聚类来识别新的TBI表型。我们的方法使用一个广义低秩模型(GLRM)模型的特征选择在一个类似于包装方法的过程。由此产生的聚类揭示了四种新的TBI表型,具有不同的特征,并与90天的功能和认知状态相关。
2018-11-30 cs.LG q-bio.QM stat.ML
Brain-inspired self-organization with cellular neuromorphic computing for multimodal unsupervised learning
CNRS(法国国家科学研究中心);LEAT(电子、天线与电信实验室)
皮质可塑性是使我们能够学习和适应环境的主要特征之一。事实上,大脑皮层通过结构和突触可塑性机制进行自我组织,这很可能是人类大脑发育的一个非常有趣的特征:多模式关联。尽管感觉形式的多样性,如视觉,声音和触觉,大脑达到相同的概念(收敛)。此外,生物学观察表明,当两者相关(发散)时,一种模态可以激活另一种模态的内部表征。在这项工作中,我们提出了可重入自组织映射(ReSOM),这是一种基于自组织映射和Hebbian学习的再入理论的脑启发神经系统。我们提出并比较了不同的计算方法的无监督学习和推理,然后量化增益的ReSOM在多模态分类任务。发散机制用于基于另一模态来标记一个模态,而收敛机制用于提高系统的整体精度。我们进行我们的实验上构建的书面/口头数字数据库和DVS/EMG手势数据库。所提出的模型上实现的细胞神经形态的架构,使分布式计算与本地连接。我们展示了由ReSOM引起的所谓硬件可塑性的增益,其中系统的拓扑结构不是由用户固定的,而是通过自组织沿着系统的经验学习的。
2020-09-02 cs.LG cs.NE q-bio.NC
Truly unsupervised acoustic word embeddings using weak top-down constraints in encoder-decoder models
Stellenbosch University(斯泰伦博斯大学)
我们调查的无监督模型,可以映射一个可变的持续时间的语音段到一个固定的维度表示。在未标记语音是唯一可用资源的设置中,这种声学词嵌入可以形成“零资源”语音搜索、发现和索引系统的基础。大多数现有的无监督嵌入方法仍然使用一些监督,如单词或音素边界。在这里,我们提出了编码器-解码器对应自动编码器(EncDec-CAE),它不是真正的单词段,而是使用自动发现的段:一个无监督的术语发现系统发现相同的未知类型的单词对,并训练EncDec-CAE以重建一个单词作为输入。我们将其与标准的编码器-解码器自动编码器(AE),具有潜在嵌入先验的变分AE和下采样进行比较。EncDec-CAE在两种语言的单词识别任务中的平均精度比其最接近的竞争对手高出24%。
2019-04-15 cs.CL cs.LG cs.SD
Neuroprosthetic decoder training as imitation learning
Columbia University(哥伦比亚大学)
神经假体脑-机接口通过一种算法发挥作用,该算法将用户的神经活动解码为末端执行器的运动,例如光标或机器人手臂。在实践中,解码器通常通过在用户执行任务时更新其参数来学习。当用户的意图是不能直接观察到的,最近的方法已经证明了在训练解码器对用户的预期运动的替代品的价值。我们描述了如何以这种方式训练解码器是模仿学习问题的一种新变体,其中采用神谕或专家进行监督训练,而不是直接观察,这是不可用的。具体来说,我们描述了一个通用的模仿学习元算法,数据集聚合(Dagger,[1]),可以适应训练一个通用的脑机接口。通过在这个框架中推导出现有的脑机接口学习算法,我们为脑机接口提供了一种新的后悔分析(学习效能的重要度量)。这种分析使我们能够描述算法变体的空间及其后悔率的界限。用于解码器学习的现有方法已经在光标控制设置中执行,但是用于这些解码器的可用设计原理使得不可能将它们缩放到自然设置。利用我们的研究结果,我们然后提供了一个算法,结合模仿学习与最优控制,这应该允许训练任意的效应器,最优控制可以产生目标导向的控制。我们展示了这种新颖的和一般的BCI算法与模拟神经假体控制的26度的自由度模型的手臂,一个复杂的和现实的末端执行器。
2016-03-14 cs.LG q-bio.NC stat.ML
Unsupervised learning of the brain connectivity dynamic using residual D-net
EPFL(洛桑联邦理工学院);University of Athens(雅典大学);Computer Technology Institute & Press “Diophantus” (CTI)(丢番图计算机技术研究所及出版社);LIBRA MLI Ltd(利布拉机器学习有限公司);National Observatory of Athens(希腊国家天文台)
在本文中,我们提出了一种新的无监督学习方法,使用名为残差D-网络的深度学习架构来学习大脑动力学。与典型的深度学习任务相比,在医学研究中,用于训练的静息状态功能性磁共振图像(rs-fMRI)数据集的大小是有限的。因此,可用的数据应该非常有效地用于学习大脑连接动力学下的复杂模式。为了解决这个问题,我们使用残余连接,以减轻训练的复杂性,通过经常性的多尺度表示。我们进行了两个分类任务,以区分早期和晚期轻度认知障碍(MCI)从正常健康对照(NC)的主题。实验验证了我们提出的残差D-net确实学习了大脑连接动力学,与以前发表的技术相比,分类准确率显着提高。
2019-02-28 cs.LG stat.ML
Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images
Arizona State University(亚利桑那州立大学);ASU-Mayo Center for Innovative Imaging(亚利桑那州立大学-梅奥创新成像中心);Mayo Clinic(梅奥诊所)
针对医学影像标注稀缺、现有无监督神经疾病检测方法未利用配准神经影像专属知识的问题,提出基于GAN的Brainomaly方法,结合未标注混合图像与伪AUC指标,显著提升了阿尔茨海默病与头痛检测性能。
2023-08-17 cs.CV cs.LG eess.IV
Patch2Loc: Learning to Localize Patches for Unsupervised Brain Lesion Detection
University of Delaware(德雷塞尔大学)
本文提出Patch2Loc方法,利用无监督学习从结构MRI中提取正常片段,通过神经网络映射片段到其在脑体积切片中的位置,利用预测误差检测异常区域,实现更精细的分割。
2026-03-26 cs.CV cs.LG
MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction
LPIXEL Inc.(LPIXEL公司);University of Cambridge(剑桥大学);National Institute of Informatics(国立信息学研究所);National Center for Global Health and Medicine(国立国际医疗研究中心);Juntendo University(顺天堂大学);ELTE Eötvös Loránd University(厄特沃什·罗兰大学);The University of Tokyo(东京大学)
无监督学习可以依靠健康受试者的大规模无注释医学图像发现各种看不见的异常。为此,无监督方法重建2D/3D单个医学图像,以检测学习的特征空间中的异常值或来自高重建损失的异常值。然而,在不考虑多个相邻切片之间的连续性的情况下,它们不能直接区分由细微解剖异常的积累组成的疾病,例如阿尔茨海默病(AD)。此外,没有研究表明无监督的异常检测如何与疾病阶段、各种(即,超过两种类型的)疾病,或多序列磁共振成像(MRI)扫描。因此,我们提出了无监督医学异常检测生成对抗网络(MADGAN),这是一种新的两步法,使用基于GAN的多个相邻脑MRI切片重建来检测多序列结构MRI上不同阶段的脑异常:(重建)Wasserstein损失与梯度惩罚+ 100 L1损失-在3个健康脑轴向MRI切片上训练以重建下3个切片-重建看不见的健康/异常扫描;(诊断)每次扫描的平均L2丢失可以区分它们,比较地面真实/重建切片。为了进行训练,我们使用了两个不同的数据集,分别由1,133个健康的T1加权(T1)和135个健康的对比增强T1(T1 c)脑MRI扫描组成,用于检测AD和脑转移/各种疾病。我们的Self-Attention MADGAN可以在非常早期的T1扫描中检测出AD,轻度认知障碍(MCI),曲线下面积(AUC)为0.727,晚期AD为AUC 0.894,同时在T1 c扫描中检测出脑转移,AUC为0.921。
2020-10-12 cs.CV cs.LG eess.IV
A 128 channel Extreme Learning Machine based Neural Decoder for Brain Machine Interfaces
Nanyang Technological University(南洋理工大学)
目前,脑机接口中最先进的运动意图解码算法大多在PC上实现,并且消耗大量的功率。提出了一种用于脑-机接口中运动意图解码的机器学习协处理器。它采用极限学习机算法和低功耗模拟处理,在50 Hz的分类速率下实现了290 GMAC/W的能效。第二级中的学习和相应的数字存储系数用于增加核心模拟处理器的鲁棒性。利用猴子手指运动实验记录的神经元数据对芯片进行验证,运动类型解码准确率达到99.3%。同样的协处理器也用于从异步神经尖峰解码运动时间。在输入通道数有限的情况下,通过延时特征维数增强,分类精度可提高5%。此外,稀疏性促进训练方案使得能够将可编程权重的数量减少约2X。
2015-09-27 cs.HC cs.LG
Leveraging 3D Information in Unsupervised Brain MRI Segmentation
Pixyl;Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立高等物理、数学与信息学院);Inserm(法国国家健康与医学研究院);Grenoble Institut Neurosciences(格勒诺布尔神经科学研究所)
大脑异常的自动分割是具有挑战性的,因为它们从一种病理到另一种病理变化很大。目前的方法是有监督的,需要为每种病理学提供大量注释图像,这是一项艰巨的任务。为了解决解剖变异性,提出了无监督异常检测(UAD)方法,将异常检测为使用变分自动编码器(VAE)学习的健康模型的离群值。以前的UAD工作采用了2D方法,这意味着MRI被处理为独立切片的集合。然而,它没有充分利用MRI中包含的空间信息。在这里,我们建议以3D方式执行UAD并比较2D和3D VAE。作为一个侧面的贡献,我们提出了一个新的损失函数,证明了一个强大的训练。使用健康大脑MRI的多中心数据集进行学习,并对白质高强度和肿瘤病变进行分割性能估计。实验证明了3D方法的兴趣,优于他们的2D同行。
2021-01-26 cs.CV cs.LG eess.IV
PatchMorph: A Stochastic Deep Learning Approach for Unsupervised 3D Brain Image Registration with Small Patches
RIKEN Center for Brain Science(理化学研究所脑科学中心);Institute of Fundamental Technological Research, Polish Academy of Sciences(波兰科学院基础技术研究所);Central Institute for Experimental Animals(中央实验动物研究所);Medical Center Freiburg, Faculty of Medicine, University of Freiburg(弗莱堡大学医学院弗莱堡医学中心)
提出随机深度学习算法PatchMorph,利用恒定小尺寸重叠图像块实现无监督3D脑部图像配准,兼顾全局变换与局部形变,并在人类MRI和狨猴图像上验证优越性能。
2023-12-12 cs.CV cs.LG
Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder
TCS Research(塔塔咨询服务公司研究院)
使用机器的操作传感器数据来估计机器的剩余使用寿命(RUL)的许多方法对系统如何降级或故障如何演变做出假设,例如,指数退化然而,在许多领域中,退化可能并不遵循一种模式。我们提出了一个基于长短期记忆的编码器-解码器(LSTM-ED)计划,以获得一个无监督的健康指数(HI)的系统使用多传感器的时间序列数据。LSTM-ED被训练来重构与系统的健康状态相对应的时间序列。重建误差用于计算HI,HI然后用于RUL估计。我们在公开的涡扇发动机和铣床数据集上评估了我们的方法。我们还提出了一个现实世界的工业数据集从粉碎机磨,我们发现基于LSTM-ED的HI和维护成本之间的显着相关性的结果。
2016-08-22 cs.AI cs.LG
On Creating A Brain-To-Text Decoder
Strathclyde University(思克莱德大学);NeuraSearch Laboratory(神经搜索实验室)
本文提出利用原始EEG信号解码大脑活动,通过无标签数据预训练在Librispeech基准上实现具竞争力的词错率,并在有限标签下超越SOTA,揭示了词汇量、电极密度及模型规模对BCI语音解码性能的影响。
2025-02-02 cs.LG eess.IV eess.SP
Toward more accurate and generalizable brain deformation estimators for traumatic brain injury detection with unsupervised domain adaptation
Stanford University(斯坦福大学);BeiHang University(北京航空航天大学)
针对机器学习头部模型因分布偏移导致泛化性不足的问题,提出结合无监督域适应与深度神经网络的脑形变估计器,利用DRCA和cycle-GAN方法显著提升了全脑最大主应变及其变化率的预测精度,误差低于TBI阈值,助力未来临床检测。
2023-06-08 cs.LG eess.SP physics.bio-ph
Score $\times$ Decoder: A Unified View of Unsupervised Inference-Time Scaling for Hallucination Mitigation
CyCraft AI Lab, Taiwan(CyCraft人工智能实验室,台湾)
本文提出Score×Decoder框架,通过配对四种内在分数(困惑度、对比度、幂分布似然、自验证)与三种解码族(优化、采样、共识),在无监督条件下选择最佳组合以缓解大语言模型幻觉。
2026-05-30 cs.LG
Deep Encoder-Decoder Models for Unsupervised Learning of Controllable Speech Synthesis
National Institute of Informatics(国立信息学研究所);KTH Royal Institute of Technology(KTH皇家理工学院);University of Edinburgh(爱丁堡大学)
生成通用且适当的合成语音需要控制与口语文本分离的输出表达。重要的非文本语音变化很少被注释,在这种情况下,输出控制必须以无监督的方式学习。本文对统计语音合成中的无监督学习控制方法进行了深入的研究。例如,我们证明了流行的无监督训练算法可以被解释为某些自动编码器模型中的变分推理。我们还将这些模型连接到VQ-VAE,这是最近提出的另一类深度变分自编码器,我们表明它可以从非常相似的数学论证中推导出来。这些新的概率解释的影响进行了讨论。我们说明了各种方法的实用性与应用程序的声学建模的情感语音合成,学习表达控制的无监督的方法(没有访问情感标签)被发现在许多方面匹配或超过以前的最佳监督方法的结果。
2018-09-09 cs.LG cs.SD eess.AS
Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning
University of Leeds(利兹大学);University of Manchester(曼彻斯特大学)
本文提出一种基于 Transwarp 对比学习的无监督域自适应框架,用于缩小带标签 3DRA 与无标签 MRA 模态间的域差距,并在脑血管数据集上验证其能有效提升无标签 MRA 数据的血管分割性能。
2024-02-23 cs.CV cs.LG
Fast Whole-Brain, Geometry-Aware Functional Alignment for Cross-Subject Decoding
Université Paris-Saclay(巴黎-萨克雷大学);Inria(法国国家信息与自动化技术研究院);CEA(法国原子能委员会);Cognitive Neuroimaging Unit(认知神经成像单位);Institut National de la Santé et de la Recherche Médicale(法国国家卫生与医学研究院);Commissariat à l’Energie Atomique et aux énergies alternatives(法国原子能委员会及替代能源委员会);NeuroSpin center(神经科学中心);Institut de neuromodulation(神经调制研究所);Université Paris Cité(巴黎-城市大学)
研究旨在解决个体大脑反应差异限制跨个体解码器发展的问题,提出功能对齐方法SpectralOT,将皮质几何嵌入拉普拉斯 - 贝尔特拉米本征模式规范对齐,以平衡功能特征与解剖结构,保持计算效率。
2026-07-14 cs.LG q-bio.NC stat.ML
Decoding Decoders: Finding Optimal Representation Spaces for Unsupervised Similarity Tasks
babylon health(巴比伦健康);Google Brain(谷歌大脑)
实验证据表明,简单的模型在许多无监督的相似性任务上优于复杂的深度网络。我们提供了一个简单而严格的解释这种行为,通过引入一个最佳的表示空间的概念,在语义上接近的符号映射到表示,是接近下的模型的目标函数引起的相似性度量。此外,我们提出了一个简单的过程,无需任何重新训练或架构修改,就可以让深度递归模型与浅层模型相比表现同样出色(有时甚至更好)。为了验证我们的分析,我们进行了一组一致的经验评估,并介绍了几个新的句子嵌入模型的过程中。尽管这项工作是在自然语言处理的背景下提出的,但这些见解很容易适用于依赖分布式表示的其他领域。
2018-05-09 cs.AI cs.CL cs.LG
An Energy-Efficient Spiking Neural Network for Finger Velocity Decoding for Implantable Brain-Machine Interface
ETH Zurich(苏黎世联邦理工学院);University of Michigan(密歇根大学)
脑机接口(BMI)对于运动康复和移动性增强很有希望。实现植入式BMI系统需要高精度和低功耗算法。在本文中,我们提出了一种新的尖峰神经网络(SNN)解码器植入BMI回归任务。SNN使用增强的时空反向传播进行训练,以充分利用其处理时间问题的能力。所提出的SNN解码器实现了相同水平的相关系数作为国家的最先进的人工神经网络解码器在离线手指速度解码任务,而它只需要6.8%的计算操作和9.4%的存储器访问。
2022-10-07 cs.HC cs.LG eess.SP
AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder
Korea University(高丽大学)
图像异常检测问题的目的是确定图像是否异常,并检测异常区域。这些方法在制造业、医疗保健、智能信息等各个领域得到了积极应用。编码器-解码器结构已经被广泛用于异常检测领域,因为它们可以在无监督学习环境中容易地学习正常模式,并且通过指示输入图像和重构图像之间的差异的重构误差来计算用于识别异常的分数。因此,目前的图像异常检测方法普遍采用卷积编解码器,通过图像的局部特征提取正常信息。然而,它们的局限性在于,由于使用固定大小的滤波器的卷积运算的特性,在构造正常表示时只能利用图像的局部特征。因此,我们提出了一个基于视觉Transformer的编码器-解码器模型,命名为AnoViT,旨在反映正常的信息,通过额外的学习图像块之间的全局关系,这是能够图像异常检测和定位。所提出的方法构造了一个特征图,保持现有的位置信息的个人补丁,通过使用嵌入的所有补丁通过多个自我注意层。所提出的AnoViT模型在三个基准数据集上的表现优于基于卷积的模型。在MVTecAD中,这是异常定位的代表性基准数据集,与基线相比,15个类别中有10个类别的结果有所改善。此外,所提出的方法表现出良好的性能,无论类和类型的异常区域定位结果进行定性评价。
2022-03-21 cs.CV cs.LG
Small Lesion Segmentation in Brain MRIs with Subpixel Embedding
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Chung-Ang University(中央大学)
我们提出了一种方法来分割MRI扫描的人的大脑缺血性中风病变和正常组织。我们提出了一个标准的编码器-解码器形式的神经网络架构,其中预测由空间扩展嵌入网络指导。我们的嵌入式网络学习可以解析大脑中详细结构的特征,而不需要高分辨率的训练图像,这些图像通常是不可用的,而且获取成本很高。或者,编码器-解码器通过跨越和最大池化来学习全局结构。我们的嵌入网络通过在编码器阶段引导解码器丢失空间下采样的细粒度细节来补充编码器-解码器架构。与以前的作品不同,我们的解码器以2倍的输入分辨率输出,其中输入分辨率中的单个像素由我们输出中的四个相邻子像素预测。为了获得原始尺度下的输出,我们提出了一种可学习的下采样器(与手工制作的下采样器相反,例如双线性),它结合了子像素预测。我们的方法将基线架构提高了约11.7%,并在ATLAS公共基准数据集上达到了最先进的水平,并且比最佳竞争方法具有更小的内存占用和更快的运行时间。我们的源代码可以在https://github.com/alexklwong/subpixel-embedding-segmentation上找到。
2021-09-18 cs.AI cs.CV cs.LG
Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET
Sorbonne Université(索邦大学);Institut du Cerveau - Paris Brain Institute - ICM(大脑研究所 - 巴黎大脑研究所 - ICM);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Inserm(法国国家健康与医学研究院);AP-HP(巴黎公共医疗集团);Hôpital de la Pitié Salpêtrière(皮蒂-萨尔皮特里耶医院)
针对脑部 FDG PET 无监督异常检测中残差图像方法的局限性,提出受 Z-scores 启发、利用健康人群变异性的新方法,在 ADNI 数据库上证明其能准确识别阿尔茨海默病相关异常。
2023-11-20 cs.AI cs.LG eess.IV
Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology(汉堡工业大学医学技术与智能系统研究所);Jung Diagnostics(荣格诊断公司)
本文提出利用概率扩散模型生成多个重建,并通过马氏距离分析其分布以识别脑MRI异常,显著提升多个数据集的异常分割性能。
2024-07-17 cs.CV cs.LG eess.IV
BCIJelly: An integrated ecosystem for brain-computer interface research
Center for Excellence in Brain Science and Intelligence Technology, Institute of Neuroscience, Chinese Academy of Sciences(中国科学院神经科学研究所脑科学与智能技术卓越创新中心);Lingang Laboratory(临港实验室);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology(脑认知与类脑智能技术全国重点实验室)
BCIJelly是集成多类BCI数据集、解码器及工具的Python生态系统,可通过AAS与LLM支持多任务跨物种解码,经多范式多物种验证,为BCI研究提供统一可扩展的开发部署基础设施。
2026-08-17 cs.HC cs.LG q-bio.NC
From Vicious to Virtuous Cycles: Synergistic Representation Learning for Unsupervised Video Object-Centric Learning
Sungkyunkwan University(顺天大学)
本文提出协同表征学习(SRL)方法,通过编码器与解码器的相互细化打破恶性循环,提升视频对象中心学习的性能。
2026-02-03 cs.CV cs.LG
An energy-efficient spiking neural network with continuous learning for self-adaptive brain-machine interface
City University of Hong Kong(香港城市大学)
本文提出了一种基于强化学习的连续学习脉冲神经网络,用于提高可植入脑机接口的实时性能和能效。
2025-11-27 cs.LG
Making a Spiking Net Work: Robust brain-like unsupervised machine learning
University of Technology Sydney(悉尼科技大学);Cuvos Pty. Ltd.(Cuvos私人有限公司);Queensland University of Technology(昆士兰科技大学)
在过去的十年中,对人工智能(AI)的兴趣激增几乎完全是由人工神经网络(ANN)的进步推动的。虽然人工神经网络为许多以前难以解决的问题提供了最先进的性能,但使用全局梯度下降需要大量数据集和计算资源来进行训练,这可能会限制其在现实世界领域的可扩展性。脉冲神经网络(SNN)是ANN的替代方案,其使用更多类似大脑的人工神经元,并且可以使用局部无监督学习来快速发现输入数据中的稀疏可识别特征。然而,SNN与动态稳定性作斗争,并且未能与ANN的准确性相匹配。在这里,我们展示了SNN如何克服文献中已经确定的许多缺点,包括为动态“消失尖峰问题”提供原则性的解决方案,优于所有现有的浅层SNN,并与ANN的性能相当。它使用无标记数据的无监督学习,仅使用1/50的训练时期,(标记的数据仅用于简单的线性读出层)。这一结果使得SNN成为一种可行的新方法,用于快速,准确,高效,可解释和可重新部署的无标记数据机器学习。
2022-09-01 cs.AI cs.CV cs.LG
Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study
TU Munich(慕尼黑工业大学);ETH Zurich(苏黎世联邦理工学院);Klinikum Rechts der Isar(Rechts der Isar 医院);Johns Hopkins University(约翰斯·霍普金斯大学)
深度无监督表示学习最近在脑MRI中的无监督异常检测(UAD)领域带来了新的方法。这些工作背后的主要原则是通过学习压缩和恢复健康数据来学习正常解剖模型。这允许从压缩的、可能异常的样本的错误恢复中发现异常结构。这一概念引起了医学图像分析界的极大兴趣,因为它i)减轻了对大量手动分割训练数据的需求-这是当前监督式深度学习的必要性和陷阱-ii)理论上允许检测任意的,甚至是监督方法可能无法找到的罕见病理。到目前为止,大多数作品的实验设计阻碍了有效的比较,因为i)它们是针对不同的数据集和不同的病理进行评估的,ii)使用不同的图像分辨率,iii)具有不同复杂性的不同模型架构。这项工作的目的是通过利用单一架构,单一分辨率和相同的数据集来建立最近方法之间的可比性。除了提供方法的排名外,我们还试图回答这样的问题:i)需要多少健康的训练对象来建模正态性,ii)所审查的方法是否也对域转移敏感。此外,我们确定了开放的挑战,并为未来的社区努力和研究方向提供建议。
2020-04-08 cs.CV cs.LG eess.IV
Simple statistical methods for unsupervised brain anomaly detection on MRI are competitive to deep learning methods
Medical Faculty Mannheim of Heidelberg University(海德堡大学曼海姆医学院)
磁共振成像(MRI)的统计分析可以帮助放射科医生检测出否则可能被遗漏的病理。深度学习(DL)在为大脑异常检测建模复杂空间数据方面显示出了前景。然而,DL模型有重大缺陷:它们需要大量高质量的训练数据,难以设计和训练,并且对扫描协议和硬件的细微变化敏感。在这里,我们还展示了简单的统计方法,如体素(基线和协方差)模型和使用空间模式的线性投影方法,可以在无监督病理检测中实现DL等效(3D卷积自动编码器)性能。所有方法分别在健康和病理病例的新型专家策划的多参数(8个序列)头部MRI数据集上进行训练(N=395)和比较(N=44)。我们发现,这些简单的方法可以更准确地检测小病变,是相当容易训练和理解。使用AUC和平均精度定量比较这些方法,并对包括脑萎缩、肿瘤(小转移)和运动伪影的临床用例进行定性评价。我们的研究结果表明,虽然DL方法可能是有用的,他们应该表现出足够大的性能改善比简单的方法,以证明他们的使用。因此,简单的统计方法应该为基准提供基线。源代码和经过训练的模型可以在GitHub(https://github.com/vsaase/simpleBAD)上找到。
2020-11-25 cs.CV cs.LG eess.IV
Model-Agnostic Meta-Learning for EEG Motor Imagery Decoding in Brain-Computer-Interfacing
Imperial College London(帝国理工学院)
我们在这里介绍元学习的思想,用于训练EEG BCI解码器。元学习是一种训练机器学习系统的方法,使它们学会学习。我们在这里将元学习应用于一个简单的深度学习BCI架构,并将其与相同架构上的迁移学习进行比较。我们的元学习策略通过为BCI解码器找到最佳参数来运行,以便它可以在不同用户和记录会话之间快速泛化-从而也可以快速泛化到新用户或新会话。我们在Physionet EEG运动图像数据集上测试了我们的算法。我们的方法提高了运动想象的分类准确率在60%到80%之间,在小数据条件下优于其他算法。我们相信,建立元学习或学习学习的方法将有助于神经工程和人类界面快速建立神经信号解码器的挑战,使它们更适合日常生活。
2021-03-10 cs.LG eess.SP
Unsupervised part representation by Flow Capsules
University of Toronto(多伦多大学);Google Research(谷歌研究院)
胶囊网络旨在将图像解析为对象,部分和关系的层次结构。虽然很有前途,但它们仍然受到无法学习有效的低级别部件描述的限制。为了解决这个问题,我们提出了一种方法来学习从单个图像中检测原子部分的主胶囊编码器。在训练过程中,我们利用运动作为一个强大的感知线索的部分定义,与一个富有表现力的解码器的部分生成内的分层图像模型与闭塞。实验表明,在存在多个对象,杂乱的背景,和闭塞的强大的部分发现。部分解码器推断底层形状掩模,有效地填充检测到的形状的遮挡区域。我们评估了FlowCapsules的无监督部分分割和无监督图像分类。
2021-02-19 cs.CV cs.LG
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Center for Behavioral Brain Sciences(行为脑科学研究中心);German Center for Neurodegenerative Disease(德国神经退行性疾病研究中心)
对人脑解剖图像的专家解释是神经放射学的核心部分。已经提出了几种基于机器学习的技术来帮助分析过程。然而,ML模型通常需要被训练以执行特定任务,例如,脑肿瘤分割或分类。不仅相应的训练数据需要费力的手动注释,而且人脑MRI中可能存在各种各样的异常-甚至同时存在不止一种异常,这使得所有可能异常的表示非常具有挑战性。因此,一种可能的解决方案是无监督异常检测(UAD)系统,该系统可以从健康受试者的未标记数据集中学习数据分布,然后应用于检测分布样本。然后,这种技术可以用于检测异常-病变或异常,例如脑肿瘤,而无需针对该特定病理明确地训练模型。在过去已经提出了几种基于变分自动编码器(VAE)的技术来完成这项任务。尽管它们在受控的人工模拟异常上表现得非常好,但其中许多在检测临床数据中的异常时表现不佳。这项研究提出了一个紧凑版本的“上下文编码”VAE(ceVAE)模型,结合前处理和后处理步骤,创建了一个UAD管道(StRegA),它在临床数据上更强大,并显示了其在检测异常(如脑MRI中的肿瘤)方面的适用性。当检测BraTS数据集的T2 w图像中的肿瘤时,所提出的管道实现了0.642 $\pm$ 0.101的Dice评分,当检测人工诱导的异常时,所提出的管道实现了0.859 $\pm$ 0.112的Dice评分,而性能最佳的基线分别实现了0.522 $\pm$ 0.135和0.783 $\pm$ 0.11…
2022-09-04 cs.CV cs.LG eess.IV
Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis
University of Edinburgh(爱丁堡大学);Imperial College London(帝国理工学院);University of Essex(埃塞克斯大学)
磁共振成像(MRI)通常采用多个序列(此处定义为“模态”)。由于每种模态旨在提供不同的解剖和功能临床信息,因此不同模态的成像内容存在明显差异。模态间和模态内仿射和非刚性图像配准是临床成像中的基本医学图像分析过程,例如在需要跨不同的MRI模态、时相和切片导出和临床评估成像生物标志物之前。尽管在实际临床场景中通常需要,但并未使用单个无监督模型架构对仿射和非刚性图像配准进行广泛研究。在我们的工作中,我们提出了一种无监督的深度学习配准方法,可以同时准确地对仿射和非刚性变换进行建模。此外,逆一致性是深度学习配准算法中未考虑的基本模态间配准属性。为了解决逆一致性问题,我们的方法执行双向跨模态图像合成来学习模态不变的潜在表示,同时涉及两个分解的变换网络和逆一致性损失来学习拓扑保持的解剖变换。总的来说,我们的模型(命名为“FIRE”)显示出对多模态脑2D和3D MRI以及模态内心脏4D MRI数据实验的参考标准基线方法的改进性能。
2022-03-07 cs.AI cs.CV cs.LG
BrainG3N: A Dual-Purpose Tokenizer for Controllable 3D Brain MRI Generation
Department of Biomedical Data Science, Stanford University School of Medicine(斯坦福大学医学院生物医学数据科学系);Department of Mathematical Modelling, Statistics & Bioinformatics, Ghent University(根特大学数学建模、统计与生物信息学系);Department of Electrical Engineering, Stanford University(斯坦福大学电气工程系)
提出基于3D掩码自编码器的分词器,解耦编码器与解码器,在23项线性探测任务中21项超越SOTA,并支持条件生成和纵向预测。
2026-07-30 cs.AI cs.CV cs.LG
Online Adaptation via Dual-Stage Alignment and Self-Supervision for Fast-Calibration Brain-Computer Interfaces
School of Information, Shanxi University of Finance and Economics(山西财经大学信息学院);Chinese Academy of Sciences(中国科学院);State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation(多模态人工智能系统国家重点实验室,自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);CAS Center for Excellence in Brain Science and Intelligence Technology(中国科学院脑科学与智能技术卓越创新中心);Joint Laboratory of Intelligence Science and Technology, Institute of Systems Engineering, Macau University of Science and Technology(澳门科技大学智能科学与技术联合实验室)
针对脑电个体差异阻碍BCI在线应用的问题,提出双阶段对齐与自监督的在线自适应算法,在五个数据集和七个解码器上平均准确率提升4.9%和3.6%,支持快速校准。
2025-09-23 cs.AI cs.LG eess.SP
Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding
IMT Atlantique(大西洋电信学院);Lab-STICC(STICC实验室);CNRS(法国国家科学研究中心)
提出一种无需监督的在线自适应深度学习方法,通过冻结模型并基于流式观测连续重新对齐输入与潜在空间数据,在跨被试运动想象脑电解码中达到离线性能水平。
2024-03-15 cs.LG eess.SP
Exploring the Use of an Unsupervised Autoregressive Model as a Shared Encoder for Text-Dependent Speaker Verification
University of California Los Angeles(加州大学洛杉矶分校)
在本文中,我们提出了一种新的方法来解决文本相关的自动说话人确认(TD-ASV)通过使用一个共享的编码器与特定任务的解码器。自回归预测编码(APC)编码器以无监督的方式使用域外(LibriSpeech,VoxCeleb)和域内(DeepMine)未标记数据集进行预训练,以学习封装扬声器和语音内容的通用高级特征表示。使用标记数据集训练两个特定于任务的解码器来分类说话者(SID)和短语(PID)。使用PLDA对从SID解码器提取的说话者嵌入进行评分。SID和PID系统在评分水平上融合。与跨语言DeepMine数据集上的完全监督x向量基线相比,我们的系统的minDCF相对提高了51.9%。然而,i-vector/HMM方法优于所提出的APC编码器-解码器系统。在PID融合之前,x向量/PLDA基线和SID/PLDA分数的融合进一步将性能提高了15%,表明所提出的方法与x向量系统的互补性。我们表明,所提出的方法可以利用大型,未标记,数据丰富的域,并学习语音模式独立于下游任务。这样的系统可以在测试数据来自数据稀缺域的域不匹配场景中提供有竞争力的性能。
2020-08-08 cs.LG eess.AS
A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection
Concordia Institute for Information Systems Engineering(康考迪亚信息系统工程研究院);Concordia University(康考迪亚大学)
本文提出一种无监督图编码器-解码器网络,利用无参数的局部约束线性编码池化(LCPool)和反池化(LCUnpool)学习异常评分函数,在六个基准数据集上超越现有最先进异常检测方法。
2023-10-15 cs.AI cs.LG
Brain-Inspired Spiking Neural Network for Online Unsupervised Time Series Prediction
Georgia Institute of Technology(佐治亚理工学院)
本文提出CLURSNN模型,结合STDP、随机延迟嵌入和基于Wasserstein距离的拓扑数据分析,实现能量与数据高效的在线无监督时间序列预测,并在Lorenz63系统上优于现有DNN方法。
2023-05-31 cs.AI cs.LG cs.NE
An Encoder-Decoder Based Approach for Anomaly Detection with Application in Additive Manufacturing
RWTH Aachen University(亚琛工业大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);University of California, Berkeley(加州大学伯克利分校);California Institute of Technology(加州理工学院)
我们提出了一种新的无监督深度学习方法,该方法利用编码器-解码器架构来检测在工业制造过程中收集的顺序传感器数据中的异常。我们的方法的目的不仅是检测是否存在一个异常在给定的时间步,但也要预测接下来会发生什么(顺序)的过程。我们展示了我们的方法从现实世界的测试平台收集的数据集。该数据集包含在正常条件和合成异常条件下收集的图像。我们表明,编码器-解码器模型是能够识别注入的异常,在现代制造过程中,在一个无监督的方式。此外,它还给出了制造过程中测试台温度不均匀性的提示,这是我们在做实验之前没有意识到的。
2019-07-26 cs.LG stat.ML
Mutual information neural estimation for unsupervised multi-modal registration of brain images
Australian Institute for Machine Learning(澳大利亚机器学习研究所);University of Adelaide(阿德莱德大学);South Australian Health and Medical Research Institute(南澳大利亚健康与医学研究所)
图像引导手术和治疗中的许多应用需要快速且可靠的非线性、多模态图像配准。最近提出的基于无监督深度学习的配准方法与迭代方法相比,在很短的时间内就表现出了卓越的性能。大多数基于学习的方法都集中在单模态图像配准上。多模态配准的扩展依赖于使用适当的相似性函数,如互信息(MI)。我们建议通过端到端可训练网络中图像对之间的MI估计来指导基于深度学习的配准方法的训练。我们的研究结果表明,一个小的,2层网络产生竞争力的结果,在单模态和多模态注册,与次秒运行时间。与迭代和基于深度学习的方法的比较表明,我们基于MI的方法在拓扑和定性上都具有优越的结果,并且非同构变换的速率极低。实时临床应用将受益于解剖结构的更好视觉匹配和更少的配准失败/离群值。
2022-10-06 cs.CV cs.LG eess.IV
EE-AE: An Exclusivity Enhanced Unsupervised Feature Learning Approach
The Hong Kong Polytechnic University(香港理工大学)
近年来,无监督学习越来越受到人们的重视。作为其关键组件之一,自动编码器(AE)的目的是学习数据的潜在特征表示,这是更强大和更有区别的。然而,大多数基于AE的方法仅关注编码器-解码器阶段内的重建,这忽略了数据的固有关系,即,统计和几何依赖性,并且容易导致过拟合。为了解决这个问题,我们提出了一个排他性增强(EE)的无监督特征学习方法,以改善传统的AE。据我们所知,我们的研究是第一个利用这种排他性的概念,以配合特征提取内AE。此外,本文还对层叠AE结构进行了一些改进,特别是针对解码器不同层的连接,这可以被视为权重初始化的尝试。实验结果表明,我们提出的方法可以取得显着的性能相比,其他相关的方法。
2019-03-30 cs.LG stat.ML
Denoising Architecture for Unsupervised Anomaly Detection in Time-Series
Telekom Innovation Laboratories(电信创新实验室);Eötvös Loránd University(厄特沃什·罗兰大学)
时间序列中的异常提供了从银行和航空航天到信息技术、安全和医学等一系列行业的关键场景的见解。然而,识别时间序列数据中的异常是特别具有挑战性的,因为异常的定义不精确,标签的频繁缺失,以及这些数据中存在的极其复杂的时间相关性。LSTM自动编码器是一种基于长短期记忆网络的异常检测编码器-解码器方案,它学习重构时间序列行为,然后使用重构错误来识别异常。我们引入去噪架构作为对LSTM编码器-解码器模型的补充,并研究其对现实世界以及人工生成的数据集的影响。我们证明了所提出的架构提高了准确性和训练速度,从而使LSTM Autoencoder在无监督异常检测任务中更有效。
2022-08-30 cs.AI cs.LG
AutoAtlas: Neural Network for 3D Unsupervised Partitioning and Representation Learning
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
我们提出了一种称为AutoAtlas的新型神经网络架构,用于3D脑磁共振成像(MRI)体积的完全无监督分区和表示学习。AutoAtlas由两个神经网络组件组成:一个神经网络用于基于体积中的局部纹理执行多标签分区,第二个神经网络用于压缩每个分区中包含的信息。我们通过优化损失函数同时训练这两个组件,该损失函数旨在促进每个分区的准确重建,同时鼓励空间平滑和连续的分区,并阻止相对较小的分区。我们表明,分区适应受试者的脑组织的具体结构变化,同时始终出现在类似的空间位置跨学科。AutoAtlas还生成非常低维的特征,这些特征表示每个分区的局部纹理。我们展示了预测与每个主题相关的元数据使用派生的功能表示,并比较结果预测使用FreeSurfer解剖parcellation派生的功能。由于我们的特征本质上与不同的分区相关联,因此我们可以将感兴趣的值(例如特定于分区的特征重要性得分)映射到大脑上进行可视化。
2021-11-11 cs.CV cs.LG eess.IV
IterMask2: Iterative Unsupervised Anomaly Segmentation via Spatial and Frequency Masking for Brain Lesions in MRI
Imperial College London(帝国理工学院);University of Birmingham(伯明翰大学);University of Oxford(牛津大学)
针对无监督异常分割中“破坏与重建”范式导致正常区域重建不佳而产生假阳性的问题,提出迭代空间掩码优化策略IterMask2,结合高频图像内容辅助输入,有效改善正常组织重建并提升MRI脑部病灶分割性能。
2024-06-05 cs.CV cs.LG eess.IV
FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation
Helmholtz AI(亥姆霍兹AI);Helmholtz Center Munich(慕尼黑亥姆霍兹中心);Klinikum Rechts der Isar(右岸医院);Technical University of Munich (TUM)(慕尼黑工业大学)
近年来,数据驱动的机器学习(ML)方法通过为许多未解决的(医学)图像分析问题提供新的有效解决方案,彻底改变了计算机视觉社区。然而,由于许多不同网站上日益增加的隐私问题和数据碎片化,现有的医疗数据没有得到充分利用,从而限制了ML的潜力。联邦学习(FL)使多方能够协作训练ML模型,而无需交换本地数据。然而,分布式客户端之间的数据异构性(非IID)仍然是一个挑战。为此,我们提出了一种新的联邦方法,表示联邦解开(Federated Disentanglement,FedDis),解开的形状和外观的参数空间,只与客户端共享的形状参数。FedDis基于以下假设:大脑MRI图像中的解剖结构在多个机构中是相似的,并且共享形状知识将有利于异常检测。在本文中,我们以隐私保护的方式利用来自多个站点的623名受试者的健康大脑扫描(OASIS,ADNI)来学习正常解剖结构的模型,该模型允许分割异常结构。我们在包含109名受试者的真实病理数据库上展示了FedDis的卓越性能;两个公开可用的MS病变(MSLUB,MSISBI),以及MS和胶质母细胞瘤(MSI和GBI)的内部数据库。FedDis实现了0.38的平均骰子性能,比最先进的(SOTA)自动编码器高出42%,比SOTA联邦方法高出11%。此外,我们说明了FedDis学习的形状嵌入是正交的外观和一致的不同强度增强。
2021-03-05 cs.CV cs.LG eess.IV
Bias in Unsupervised Anomaly Detection in Brain MRI
Technical University of Munich(慕尼黑工业大学);Helmholtz AI(亥姆霍兹人工智能研究所);Helmholtz Center Munich(亥姆霍兹慕尼黑中心);King’s College London(伦敦国王学院);Klinikum Rechts der Isar(伊萨尔河畔临床教学中心);Imperial College London(帝国理工学院)
该研究针对脑部MRI无监督异常检测中因扫描仪、人口统计学特征等非病理因素导致的分布偏移偏差展开分析,以阿尔茨海默病检测为案例揭示了性别、种族、扫描仪相关的显著偏差,为提升医学影像异常检测的可靠性与公平性提供参考。
2023-08-26 cs.CV cs.LG eess.IV