إعادة تشكيل منحنى المساحة تحت العائد: حساسية محسنة عند دقة عالية

عادةً ما يعتمد تقييم أنظمة التعلم العميق على المساحة تحت منحنى التشغيل المستقبل (AU-ROC) كمقياس للأداء. ومع ذلك، لا تأخذ AU-ROC، بصيغتها الشاملة، في الاعتبار الكافي الأداء ضمن نطاقات معينة من الحساسية والدقة، والتي تعد حاسمة للسياق التشغيلي المقصود للنظام. وبالتالي، يمكن أن تظهر نظامين لديهما قيم AU-ROC متطابقة أداءً مختلفًا بشكل ملحوظ في العالم الحقيقي. تبرز هذه المشكلة بشكل خاص في سياق مهام اكتشاف الشذوذ، وهو تطبيق شائع لأنظمة التعلم العميق عبر مجالات البحث المختلفة، بما في ذلك التصوير الطبي، والأتمتة الصناعية، والتصنيع، وأمن المعلومات، وكشف الاحتيال، وبحث الأدوية، من بين أمور أخرى. تنشأ التحديات من الاختلال الكبير في فصول البيانات التدريبية، حيث تتكبد فئة الشذوذ غالبًا تكلفة تصنيف خاطئ أعلى بكثير مقارنةً بالفئة الطبيعية. تتعامل أنظمة التعلم العميق التقليدية مع هذا عن طريق ضبط وزن دالة التكلفة أو تحسين النقاط المحددة على طول منحنى ROC. بينما تؤدي هذه الأساليب إلى نتائج معقولة في العديد من الحالات، فإنها لا تسعى بنشاط لتعظيم الأداء للنقطة التشغيلية المطلوبة. في هذه الدراسة، نقدم تقنية جديدة تعرف باسم إعادة تشكيل منحنى المساحة تحت العائد، مصممة لإعادة تشكيل منحنى ROC فقط ضمن نطاق الحساسية والدقة المحددين، عن طريق تحسين الحساسية عند مستوى دقة محدد مسبقًا. يتم تحقيق هذه إعادة التشكيل من خلال آلية تعزيز تكييفية وتكرارية تسمح للشبكة بالتركيز على عينات ذات صلة خلال عملية التعلم. لقد بحثنا بشكل أساسي في تأثير إعادة تشكيل منحنى المساحة تحت العائد في سياق مهام اكتشاف الشذوذ، خاصةً في تحليل الأشعة السينية للصدر، يليه تحليل تصوير الثدي وكشف احتيال بطاقات الائتمان. تكشف النتائج عن تحسن كبير، يتراوح بين 2 إلى 40%، في الحساسية عند مستويات دقة عالية لمهام التصنيف الثنائي.