SafeECGMatch: Classificazione ECG Semi-Supervisionata con Rilevamento OOD
Un team di ricercatori ha introdotto SafeECGMatch, un framework progettato per l'apprendimento semi-supervisionato sicuro e consapevole della calibrazione, specificamente per la classificazione ECG a singola etichetta in presenza di discrepanze nella distribuzione delle etichette. Questo approccio affronta la sfida dell'errata etichettatura delle anomalie fuori distribuzione presenti nei dati clinici non etichettati, con cui l'SSL tradizionale fatica. Utilizzando un'architettura a doppio ramo, SafeECGMatch estrae rappresentazioni latenti tempo-frequenza attraverso aumenti specifici per ECG. Allinea la confidenza con l'accuratezza empirica in modo dinamico impiegando smoothing adattivo delle etichette e scaling della temperatura, calibrando efficacemente sia il classificatore multiclasse che il rilevatore OOD. L'obiettivo di questo framework è ridurre i costi di annotazione garantendo previsioni affidabili in situazioni open-set.
Fatti principali
- SafeECGMatch è un framework SSL sicuro e consapevole della calibrazione per la classificazione ECG.
- Affronta la discrepanza nella distribuzione delle etichette con anomalie OOD nei dati non etichettati.
- Utilizza un'architettura a doppio ramo per rappresentazioni latenti tempo-frequenza.
- Impiega smoothing adattivo delle etichette e scaling della temperatura per la calibrazione.
- Calibra sia il classificatore multiclasse che il rilevatore OOD.
- Mira a ridurre i costi di annotazione in contesti clinici.
- L'SSL standard forza pseudo-etichette errate su classi non viste.
- Il framework è progettato per la classificazione ECG a singola etichetta.
Entità
Istituzioni
- arXiv