Resumen: El éxito de los algoritmos de aprendizaje automático está inherentemente relacionado con la extracción de características significativas, ya que juegan un papel fundamental en el rendimiento de estos algoritmos. El centro de este desafío es la calidad de la representación de datos. Sin embargo, la capacidad de generalizar y extraer estas características de manera efectiva de conjuntos de datos invisibles también es crucial. A la luz de esto, presentamos un concepto novedoso: la Polyrepresentation. PolyRepresentation integra múltiples representaciones de la misma modalidad extraída de fuentes distintas, por ejemplo, incrustaciones vectoriales de la red siamesa, modelos auto-supervisados y características radiómicas interpretables. Este enfoque produce mejores métricas de rendimiento en comparación con depender de una sola representación. Además, en el contexto de las imágenes de rayos X, demostramos la transferibilidad de la PolyRepresentation creada a un conjunto de datos más pequeño, subrayando su potencial como un enfoque pragmático y eficiente en recursos en varias soluciones relacionadas con la imagen. Vale la pena señalar que el concepto de poliprepresentación en el ejemplo de datos médicos también se puede aplicar a otros dominios, mostrando su versatilidad y un amplio impacto potencial.
Publicado Originalme en export.arxiv.org El 9 de julio de 2025.
Ver Fuente Original
