![]()
这项由香港科技大学(广州)和香港科技大学联合开展的突破性研究发表于2025年的NeurIPS会议,有兴趣深入了解的读者可以通过论文编号arXiv:2601.10124v1查询完整论文。
医学图像分析就像医生看X光片一样,需要准确识别病灶位置。但现在的AI医生面临一个尴尬问题:训练数据太少。医院里标注好的图像就像教科书,数量有限且制作成本昂贵,需要专业医生花费大量时间仔细标记每个病灶。
为了解决这个问题,科学家们想出了一个聪明的办法,叫做半监督学习。这就像让学生既用教科书学习,又通过大量没有标准答案的练习题来提升能力。在这个过程中,有一种叫做"特征丢弃"的技术被广泛使用,它的工作原理类似于故意制造一些"噪音"来增强AI的抗干扰能力。
然而,这种传统的丢弃技术就像调音师调节音响设备一样,需要非常精确地控制"丢弃率"这个参数。如果丢弃得太少,就像音量开得太小,起不到锻炼效果;如果丢弃得太多,就像音量开得震耳欲聋,反而会损坏系统。研究团队通过大量实验发现,当丢弃率超过70%时,AI的表现会急剧下降,甚至产生完全无法使用的结果。