AUCReshaping:在高特异性时提高灵敏度

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 模型评估通常使用接收机操作曲线下的区域 (AU-ROC),这可能不反映关键操作点的性能.
• 异常检测数据集中的类不平衡带来了挑战,导致潜在的错误分类成本,特别是在异常检测方面.

研究的目的:

• 介绍AUCReshaping,这是一种新的技术,可以在特定的灵敏度和特异性范围内优化DL模型性能.
• 在异常检测任务中解决传统的AU-ROC评估的局限性.

主要方法:

• AUCReshaping通过在预先确定的特异性水平上优化灵敏度来修改接收器操作曲线 (ROC).
• 采用适应性,代性增强机制,在训练期间将网络集中在相关样本上.
• 该技术在胸部X射线 (CXR) 分析,乳腺乳房图分析和信用卡欺诈检测上进行了评估.

主要成果:

• 对于二进制分类任务,AUCReshaping在高特异性水平上显示了从2%到40%的灵敏度的显著改善.
• 该方法有效地在所需的操作范围内重塑ROC曲线,提高模型效用.

结论:

• AUCReshaping为基于深度学习的异常检测提供了显著的进步,特别是在需要高特异性的领域.
• 该技术为关键应用程序提供了比传统的AU-ROC评估更有针对性的性能优化.