ПОРІВНЯННЯ ЕФЕКТИВНОСТІ МЕТОДІВ НАПІВКЕРОВАНОГО НАВЧАННЯ НА ОСНОВІ АВТОЕНКОДЕРІВ ДЛЯ ЗАДАЧ КЛАСИФІКАЦІЇ ФОТОГРАФІЙ РАКОВИХ ЗАХВОРЮВАНЬ ШКІРИ
DOI:
https://doi.org/10.31649/1997-9266-2024-173-2-71-77Ключові слова:
ракові захворювання шкіри, напівкероване навчання, автоенкодер, варіаційний автоенкодер, сходова нейронна мережа, HAM10000Анотація
Розглянуто та порівняно ефективність методів напівкерованого навчання на базі автоенкодерів для задачі класифікації фотографій ракових захворювань шкіри. У статті запропоновано систему оцінки методів напівкерованого навчання і запропоновано модифікації архітектур, описаних в літературних джерелах. Актуальність роботи полягає у дослідженні ефективності застосування різних методів напівкерованого навчання на прикладних задачах класифікації. Ефективне використання методів напівкерованого навчання для роботи з медичними даними може потенційно суттєво підвищити якість використання штучного інтелекту у медицині, оскільки нерозмічені медичні дані легше отримати і вони не потребують залучення дорогих спеціалістів. Як показали експерименти, проведені в рамках цього дослідження, методи напівкерованого навчання на базі автоенкодерів суттєво покращують метричні показники моделі для задачі класифікації фотографій ракових захворювань шкіри. В рамках дослідження розглянуто звичайний згортковий автоенкодер, варіаційний автоенкодер і сходову нейронну мережу, адаптовані для задач напівкерованого навчання. Як дані для експериментів використано датасет HAM10000. Для кожної моделі проведено 3 експерименти з різною кількістю розмічених даних у навчальній вибірці (5, 10, 30 % маркованих даних). Дослідження показали, що варіаційний автоенкодер демонструє виняткові результати на великій кількості розмічених даних, проте погано адаптується до малої кількості. Згортковий автоенкодер є ефективним тільки для великої кількості розмічених даних і дуже поступається складнішим методам НН у всіх експериментах. Дослідження показало, що сходова нейронна мережа є дуже ефективною для малої кількості маркованих даних порівняно з іншими розглянутими архітектурами. Отже, враховуючи специфіку задач класифікації медичних даних, можна зробити висновок, що сходова нейронна мережа є найефективнішою для такого типу задач.
Посилання
M. Pazeshki, L. Fan, F. Brakel, A. Courville, and Y. Bengio, “Deconstructing the Ladder Network Architecture,” in Proceedings of the 33 rd International Conference on Machine Learning, New York, NY, USA, 2016,
A. Rasmus, R. Valpola, and M. Honkala “Semi-Supervised Learning with Ladder Networks,” in Advances in Neural Information Processing Systems, 28, 2015,
Gogna Anupriya, and Angshul Majumdar, “Semi supervised autoencoder,” Neural Information Processing, 23rd International Conference, ICONIP 2016, Kyoto, Japan, October 16-21, 2016, Proceedings, Part II 23, Springer International Publishing, 2016.
Kingma Durk P, et al, “Semi-supervised learning with deep generative models,” Advances in neural information processing systems, 27, 2014.
Xu. Weidi, et al, “Variational autoencoder for semi-supervised text classification,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 31, no. 1, 2017.
##submission.downloads##
-
PDF
Завантажень: 19
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, так як це може привести до продуктивних обмінів, а також скорішого і ширшого цитування опублікованих робіт (див. вплив відкритого доступу).
