Apprendimento Gerarchico Multi-Etichetta per Deferimento in Imaging Medico
Un nuovo studio introduce il primo framework di Apprendimento per Deferimento (L2D) per decisioni gerarchiche multi-etichetta, motivato dai flussi di lavoro in imaging medico in cui i reperti sono organizzati secondo tassonomie cliniche. La ricerca, pubblicata su arXiv, affronta problemi di incoerenza nel deferimento come contraddizioni tassonomiche e violazioni di delega. Formalizza il deferimento gerarchico coerente sotto un contratto di passaggio di consegne di Esclusione Selettiva e propone due rimedi: proiezione coerente esatta tramite un decodificatore a programmazione dinamica e Propagazione di Credenze Tassonomiche.
Fatti principali
- Primo contesto L2D con decisioni gerarchiche multi-etichetta
- Motivato da flussi di lavoro in imaging medico con tassonomie cliniche
- Il deferimento è un'azione di delega, non un'assegnazione di etichetta
- Identifica incoerenze di deferimento tra cui contraddizioni tassonomiche, violazioni di delega e deferimenti di etichette implicite
- Formalizza il deferimento gerarchico coerente sotto un contratto di passaggio di consegne di Esclusione Selettiva
- Caratterizza la regola di deferimento coerente Bayes-ottimale
- Mostra che il L2D Bayesiano nodale può essere incoerente nell'azione
- Propone proiezione coerente esatta e Propagazione di Credenze Tassonomiche come rimedi
Entità
Istituzioni
- arXiv