ترجمه فارسی مقاله کروکودیل: علیت از طریق یادگیری متقابل و غیرمتمرکز به پایداری کمک می‌کند

چکیده

Due to domain shift, deep learning image classifiers perform poorly when applied to a domain different from the training one. For instance, a classifier trained on chest X-ray (CXR) images from one hospital may not generalize to images from another hospital due to variations in scanner settings or patient characteristics. In this paper, we introduce our CROCODILE framework, showing how tools from causality can foster a model’s robustness to domain shift via feature disentanglement, contrastive learning losses, and the injection of prior knowledge. This way, the model relies less on spurious correlations, learns the mechanism bringing from images to prediction better, and outperforms baselines on out-of-distribution (OOD) data. We apply our method to multi-label lung disease classification from CXRs, utilizing over 750000 images from four datasets. Our bias-mitigation method improves domain generalization and fairness, broadening the applicability and reliability of deep learning models for a safer medical image analysis. Find our code at: https://github.com/gianlucarloni/crocodile.

چکیده به فارسی (ترجمه ماشینی)

با توجه به تغییر دامنه ، طبقه بندی کننده های تصویر عمیق یادگیری در هنگام استفاده از دامنه متفاوت از آموزش ، عملکرد ضعیفی دارند.به عنوان مثال ، یک طبقه بندی کننده که روی تصاویر اشعه ایکس قفسه سینه (CXR) آموزش دیده از یک بیمارستان ممکن است به دلیل تغییر در تنظیمات اسکنر یا خصوصیات بیمار ، به تصاویر از بیمارستان دیگر تعمیم ندهد.در این مقاله ، ما چارچوب تمساح خود را معرفی می کنیم ، نشان می دهیم که چگونه ابزارهای علیت می توانند استحکام یک مدل را به تغییر دامنه از طریق جداسازی ویژگی ، ضررهای یادگیری متضاد و تزریق دانش قبلی تقویت کنند.به این ترتیب ، این مدل کمتر به همبستگی های فریبنده متکی است ، مکانیسم ناشی از تصاویر را به پیش بینی بهتر می آموزد ، و از خطوط پایه در داده های خارج از توزیع (OOD) بهتر عمل می کند.ما روش خود را برای طبقه بندی بیماری چند برچسب ریه از CXRS استفاده می کنیم ، با استفاده از بیش از 750000 تصویر از چهار مجموعه داده.روش تسکین تعصب ما باعث افزایش تعمیم و انصاف دامنه می شود و کاربرد و قابلیت اطمینان مدل های یادگیری عمیق را برای تجزیه و تحلیل تصویر پزشکی ایمن تر می کند.کد ما را در: https://github.com/gianlucarloni/crocodile پیدا کنید.