GraphX$^{NET}-$ 극단적으로 최소한의 감독 하에 흉부 X선 분류

X-선 데이터 분류는 이론적 및 임상적 측면에서 모두 관심의 대상입니다. 감독된 딥러닝 방법은 대량의 라벨링된 데이터에 의존하지만, 극히 적은 양의 라벨링된 데이터로도 좋은 분류 정확도를 달성하는 문제는 아직 해결되지 않았습니다. 본 연구에서는 그래프 기반 최적화 모델을 기반으로 하는 새로운 반감독 학습 프레임워크를 소개합니다. 우리所知, 이는 X-선 데이터 분류에 그래프 기반 반감독 학습을 활용한 첫 번째 방법입니다. 또한, 제한적인 라벨 수와 대량의 비라벨링된 데이터 간의 시너지를 강화할 수 있는 부드러운 해법을 제공하는 새로운 다중 클래스 분류 함수를 소개합니다(클래스 사전 확률을 신중하게 선택함). 일련의 수치적 및 시각적 실험을 통해 우리의 방법이 ChestX-ray14 데이터 세트에서 매우 경쟁력 있는 결과를 생성하며, 주석이 필요한 데이터의 양을 크게 줄일 수 있음을 입증하였습니다.注: 在“우리所知”中，“所知”是中文，正确的韩文应该是“우리가 아는 한”. 下面是修正后的版本：X-선 데이터 분류는 이론적 및 임상적 측면에서 모두 관심의 대상입니다. 감독된 딥러닝 방법은 대량의 라벨링된 데이터에 의존하지만, 극히 적은 양의 라벨링된 데이터로도 좋은 분류 정확도를 달성하는 문제는 아직 해결되지 않았습니다. 본 연구에서는 그래프 기반 최적화 모델을 기반으로 하는 새로운 반감독 학습 프레임워크를 소개합니다. 우리가 아는 한, 이는 X-선 데이터 분류에 그래프 기반 반감독 학습을 활용한 첫 번째 방법입니다. 또한, 제한적인 라벨 수와 대량의 비라벨링된 데이터 간의 시너지를 강화할 수 있는 부드러운 해법을 제공하는 새로운 다중 클래스 분류 함수(클래스 사전 확률을 신중하게 선택함)를 소개합니다. 일련의 수치적 및 시각적 실험을 통해 우리의 방법이 ChestX-ray14 데이터 세트에서 매우 경쟁력 있는 결과를 생성하며, 주석이 필요한 데이터의 양을 크게 줄일 수 있음을 입증하였습니다.