Компьютерные науки > Машинное обучение [представлено 15 октября 2026 года] Название: CF-NODE: Пространственное вмешательство контрафактного узла для адаптации в режиме домена, оценка с использованием пяти диабитических ретинопатий Существующие методы адаптации в испытательный период зависят от сведения к минимуму энтропии или целевой информации, полученной из партий и потоков изображений. Эти механизмы могут укрепить достоверно ошибочные прогнозы и поломать их, когда клинические изображения поступают независимо. Мы введем CF-NODE, новую противофактическую схему адаптации к тестовому времени для междоменной классификации DR. Вместо того, чтобы доверять прогнозированию или оценивать целевое распределение, CF-NODE спрашивает, как каждое предсказание реагирует в рамках контролируемого вмешательства на подтверждающие его доказательства. CF-NODE классифицирует внутренние пространственные узлы с использованием подготовленного моделью внимания, величины характеристик и сходства узлового узла, постепенно смягчает наиболее высококлассные узлы и использует стабильность результирующей реакции ожидаемого класса для применения ограниченной калибровки прогнозируемого распределения классов. Эти рамки полностью заморожены и корректируются независимо от каждого изображения с использованием только геометрического обзора, а также предварительного стационарного источника, который не требует никакой информации или обновления моделей. Мы оцениваем данные CF-NODE по пяти внешним наборам данных DR в…
CF-NODE: Пространственное вмешательство контрафактного узла для адаптации в режиме испытательного времени под изменением области, оценка по пяти наборам данных о диабетической ретинопатии
arXiv: 261 020.22437v 1 Annualce Type: New Humber Abstract: Автоматизированная оценка диабетической ретинопатии (DR) на основе фонда может существенно расширить возможности скрининга, однако модели, подготовленные по источникам информации, резко ухудшаются в различных камерах, клиниках и популяциях пациентов. Существующие методы адаптации в испытательный период зависят от сведения к минимуму энтропии или целевой информации, полученной из партий и потоков изображений. Эти механизмы могут укрепить достоверно ошибочные прогнозы и поломать их, когда клинические изображения поступают независимо. Мы введем CF-NODE, новую противофактическую схему адаптации к тестовому времени для междоменной классификации DR. Вместо того, чтобы доверять прогнозированию или оценивать целевое распределение, CF-NODE спрашивает, как каждое предсказание реагирует в рамках контролируемого вмешательства на подтверждающие его доказательства. CF-NODE классифицирует внутренние пространственные узлы с использованием внимания, полученного от модели, величины параметров и сходства узлов, постепенно уменьшая эффективность наиболее высококлассных узлов и используя стабильность результатаi