2024年7月21日，國(guó)際多媒體學(xué)術(shù)會(huì)議（ACM International Conference on Multimedia，簡(jiǎn)稱ACM Multimedia）公布了論文接收結(jié)果。中南民族大學(xué)智能計(jì)算理論與網(wǎng)絡(luò)安全團(tuán)隊(duì)聯(lián)合新加坡科技研究局研究人員在海量高維醫(yī)學(xué)影像數(shù)據(jù)壓縮技術(shù)領(lǐng)域取得的最新論文成果“Evolution-aware VArance(EVA) Coreset Selection for Medical Image Classification”被接收（錄用率26.20%），并進(jìn)一步以接近滿分評(píng)分被選為Oral presentation（4385篇投稿中，僅錄用174篇，錄用率3.97%）。中南民族大學(xué)計(jì)算機(jī)科學(xué)學(xué)院碩士研究生洪雨欣為第一作者，其導(dǎo)師張瀟（中南民族大學(xué)智能計(jì)算理論與網(wǎng)絡(luò)安全團(tuán)隊(duì)負(fù)責(zé)人）為唯一通訊作者，中南民族大學(xué)為唯一通訊單位。這是我校師生首次以第一作者第一單位身份在CCFA類頂級(jí)國(guó)際學(xué)術(shù)會(huì)議發(fā)表論文。

在醫(yī)療領(lǐng)域，對(duì)海量高維醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行高效管理和可靠分析是一項(xiàng)關(guān)鍵且嚴(yán)峻的挑戰(zhàn)，尤其是在資源有限的情況下，如遠(yuǎn)程醫(yī)療設(shè)施和移動(dòng)設(shè)備中，這一需求更為迫切。為了應(yīng)對(duì)這一挑戰(zhàn)，有效的數(shù)據(jù)集壓縮技術(shù)顯得尤為重要，它可以降低存儲(chǔ)、傳輸和計(jì)算成本。然而，現(xiàn)有的核心集選擇（Coreset Selection）方法主要針對(duì)自然圖像數(shù)據(jù)集設(shè)計(jì)，尚未充分考慮醫(yī)學(xué)圖像領(lǐng)域的特定需求。醫(yī)學(xué)圖像數(shù)據(jù)集具有類內(nèi)差異性（intra-class variation）和類間相似性（inter-class similarity）等特性，導(dǎo)致現(xiàn)有方法在醫(yī)學(xué)圖像上的表現(xiàn)不佳。

圖1  醫(yī)學(xué)圖像中的類間相似性與類內(nèi)差異性示例。張瀟供圖

為了解決這一問(wèn)題，中南民族大學(xué)智能計(jì)算理論與網(wǎng)絡(luò)安全團(tuán)隊(duì)提出了一種新的核心集選擇策略，稱為"Evolution-aware VArance (EVA）"。EVA通過(guò)雙窗口方法捕捉模型訓(xùn)練的進(jìn)化過(guò)程，并通過(guò)方差測(cè)量更精確地反映樣本重要性的波動(dòng)，從而挑選出更能代表原始數(shù)據(jù)集的核心子集（coreset）。

圖2  EVA整體框架。張瀟供圖

在醫(yī)學(xué)圖像數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)證明，本文策略比以往的SOTA方法更有效，尤其是在高壓縮率的情況下，優(yōu)勢(shì)更為明顯。此外，在自然圖像數(shù)據(jù)集以及不同模型架構(gòu)上的實(shí)驗(yàn)進(jìn)一步驗(yàn)證了EVA的有效性和魯棒性。總的來(lái)說(shuō)，EVA策略能夠在大幅減少訓(xùn)練數(shù)據(jù)量的情況下，保持甚至提高模型的性能，從而提高數(shù)據(jù)存儲(chǔ)、傳輸和計(jì)算的效率。

ACM Multimedia由國(guó)際計(jì)算機(jī)協(xié)會(huì)（ACM）發(fā)起，是多媒體處理、分析與計(jì)算領(lǐng)域最具影響力的國(guó)際會(huì)議，中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）推薦的A類國(guó)際學(xué)術(shù)會(huì)議。CCF認(rèn)為“A類指國(guó)際上極少數(shù)的頂級(jí)會(huì)議，鼓勵(lì)我國(guó)學(xué)者去突破”。ACM Multimedia2024將于2024年10月28日于澳大利亞墨爾本舉辦。