論文の概要、ライセンス

# (参考訳) 応力検出における自動特徴選択のための量子アニール [全文訳有]

Quantum Annealing for Automated Feature Selection in Stress Detection ( http://arxiv.org/abs/2106.05134v1 )

ライセンス: CC BY 4.0
Rajdeep Kumar Nath, Himanshu Thapliyal, Travis S. Humble(参考訳) 本稿では,QA(Quantum Annealing)を用いた生理信号プールからの特徴部分集合の自動選択手法を提案する。 ケーススタディとして、ストレス検出のための最適な特徴サブセットを選択する際に、QAに基づく特徴選択手法の有効性を検討する。 特徴は足部EDA、手指EDA、心電図、呼吸の4つの信号源から抽出される。 提案手法は,生理的信号から抽出した特徴変数を2次二次モデルに埋め込む。 特徴変数と対象変数とのピアソン相関係数を用いて特徴変数のバイアスを算出する。 2つの特徴変数を連結するエッジの重みは、2つの特徴変数間のピアソン相関係数を用いて計算される。 その後、D-Waveのclique samplerを用いて2次二次モデルからcliqueをサンプリングする。 基礎となる解は複数の良い解を得るために再サンプリングされ、最適解として最低エネルギーの傾斜が返される。 提案手法は, 応力検出に広く用いられている特徴選択手法と比較した。 その結果,QAに基づく特徴部分選択は古典的手法と同等に行われた。 しかし、限られた訓練データなどのデータ不確実性条件下では、最適な特徴を選択するための量子アニールの性能は影響を受けず、古典的な特徴選択技術では顕著な性能低下が見られる。 予備結果は、特にデータ不確実性条件下での機械学習分類器のトレーニングフェーズの最適化における量子アニーリングの期待を示す。

We present a novel methodology for automated feature subset selection from a pool of physiological signals using Quantum Annealing (QA). As a case study, we will investigate the effectiveness of QA-based feature selection techniques in selecting the optimal feature subset for stress detection. Features are extracted from four signal sources: foot EDA, hand EDA, ECG, and respiration. The proposed method embeds the feature variables extracted from the physiological signals in a binary quadratic model. The bias of the feature variable is calculated using the Pearson correlation coefficient between the feature variable and the target variable. The weight of the edge connecting the two feature variables is calculated using the Pearson correlation coefficient between two feature variables in the binary quadratic model. Subsequently, D-Wave's clique sampler is used to sample cliques from the binary quadratic model. The underlying solution is then re-sampled to obtain multiple good solutions and the clique with the lowest energy is returned as the optimal solution. The proposed method is compared with commonly used feature selection techniques for stress detection. Results indicate that QA-based feature subset selection performed equally as that of classical techniques. However, under data uncertainty conditions such as limited training data, the performance of quantum annealing for selecting optimum features remained unaffected, whereas a significant decrease in performance is observed with classical feature selection techniques. Preliminary results show the promise of quantum annealing in optimizing the training phase of a machine learning classifier, especially under data uncertainty conditions.
公開日: Wed, 9 Jun 2021 15:17:48 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Quantum Annealing for Automated Feature 自動機能のための量子アニール 0.80
Selection in Stress Detection Rajdeep Kumar Nath1, Himanshu Thapliyal1∗ and Travis S. Humble2 ストレス検出におけるRajdeep Kumar Nath1, Himanshu Thapliyal1∗, Travis S. Humble2の選択 0.71
1Department of Electrical and Computer Engineering, University of Kentucky, Lexington, KY, USA 第1部 ケンタッキー州レキシントン大学電気・計算機工学科 0.44
2Oak Ridge National Laboratory, Oak Ridge, TN, USA 2oakリッジ国立研究所(oak ridge national laboratory, oak ridge, tn, usa) 0.49
*Corresponding Author: hthapliyal@ieee.org ※著者:hthapliyal@ieee.org 0.80
1 2 0 2 n u J 1 2 0 2 n u J 0.85
9 ] h pt n a u q [ 9 ] h pt n a u q [ 0.85
1 v 4 3 1 5 0 1 v 4 3 1 5 0 0.85
. 6 0 1 2 : v i X r a . 6 0 1 2 : v i X r a 0.85
Abstract—We present a novel methodology for automated feature subset selection from a pool of physiological signals using Quantum Annealing (QA). 要約)Quantum Annealing (QA)を用いて生理的信号のプールから特徴部分集合を自動選択する新しい手法を提案する。 0.73
As a case study, we will investigate the effectiveness of QA-based feature selection techniques in selecting the optimal feature subset for stress detection. ケーススタディとして、ストレス検出のための最適な特徴サブセットを選択する際に、QAに基づく特徴選択手法の有効性を検討する。 0.71
Features are extracted from four signal sources: foot EDA, hand EDA, ECG, and respiration. 特徴は足部EDA、手指EDA、心電図、呼吸の4つの信号源から抽出される。 0.69
The proposed method embeds the feature variables extracted from the physiological signals in a binary quadratic model. 提案手法は,生理的信号から抽出した特徴変数を2次二次モデルに埋め込む。 0.78
The bias of the feature variable is calculated using the Pearson correlation coefficient between the feature variable and the target variable. 特徴変数と対象変数とのピアソン相関係数を用いて特徴変数のバイアスを算出する。 0.61
The weight of the edge connecting the two feature variables is calculated using the Pearson correlation coefficient between two feature variables in the binary quadratic model. 2つの特徴変数を連結するエッジの重みは、2つの特徴変数間のピアソン相関係数を用いて計算される。 0.73
Subsequently, D-Wave’s clique sampler is used to sample cliques from the binary quadratic model. その後、D-Waveのclique samplerを用いて2次二次モデルからcliqueをサンプリングする。 0.70
The underlying solution is then re-sampled to obtain multiple good solutions and the clique with the lowest energy is returned as the optimal solution. 基礎となる解は複数の良い解を得るために再サンプリングされ、最適解として最低エネルギーの傾斜が返される。 0.66
The proposed method is compared with commonly used feature selection techniques for stress detection. 提案手法は, 応力検出に広く用いられている特徴選択手法と比較した。 0.75
Results indicate that QA-based feature subset selection performed equally as that of classical techniques. その結果,QAに基づく特徴部分選択は古典的手法と同等に行われた。 0.72
However, under data uncertainty conditions such as limited training data, the performance of quantum annealing for selecting optimum features remained unaffected, whereas a significant decrease in performance is observed with classical feature selection techniques. しかし、限られた訓練データなどのデータ不確実性条件下では、最適な特徴を選択するための量子アニールの性能は影響を受けず、古典的な特徴選択技術では顕著な性能低下が見られる。 0.70
Preliminary results show the promise of quantum annealing in optimizing the training phase of a machine learning classifier, especially under data uncertainty conditions. 予備結果は、特にデータ不確実性条件下での機械学習分類器のトレーニングフェーズの最適化における量子アニーリングの期待を示す。 0.75
Index Terms—Machine Learning, Feature Selection, Quantum 指標項-機械学習、特徴選択、量子 0.83
Annealing (QA), Physiological Signals, Stress 熱処理(QA)、生理信号、ストレス 0.62
I. INTRODUCTION Stress detection is an important research topic in health informatics. I 導入 ストレス検出は健康情報学における重要な研究課題である。 0.55
Experiencing frequent stress can be a major health concern that can pose a threat to the physical and mental stability of an individual in the long run. 頻繁なストレスを経験することは、長期にわたる個人の身体的および精神的な安定性を脅かす主要な健康上の懸念である。 0.77
Chronic effects of stress can cause physiological abnormalities such as hypertension, stroke, obesity, and diabetes, and psychological conditions such as cognitive impairments which might lead to the development of Alzheimer’s Disease in older adults [1] [2]. ストレスの慢性的な影響は、高血圧、脳卒中、肥満、糖尿病などの生理的異常や認知障害などの心理的状態を引き起こし、高齢者のアルツハイマー病の発症につながる可能性がある。
訳抜け防止モード: ストレスの慢性的な影響は、高血圧、脳卒中、肥満、糖尿病などの生理的異常を引き起こす。 認知障害のような心理的な状況は 高齢者のアルツハイマー病[1 ][2 ]の発症につながる可能性がある。
0.65
Although stress is an unavoidable aspect of our daily lives, monitoring and managing stress can significantly reduce the long-term negative effects of stress. ストレスは日常生活において避けられない側面ですが、ストレスの監視と管理はストレスの長期的な悪影響を著しく減少させます。 0.64
Monitoring and quantifying stress reliably is not a trivial task as stress is a complex phenomenon and is influenced by several factors such as environmental factors, mental workload, task-specific stressors, etc. ストレスのモニタリングと定量化は、ストレスが複雑な現象であり、環境要因、メンタルワークロード、タスク固有のストレス要因などの影響を受けているため、簡単な作業ではない。 0.68
Researchers have adopted various methods for 研究者は様々な方法で 0.81
detecting stress. The most popular methods for detecting stress are through monitoring of physiological signals such as EDA (Electrodermal Activity), ECG (Electrocardiogram), PPG (Photoplethysmogram) , RESP (Respiration) and EEG (Electroencephalogra m). ストレスを検知する ストレスを検出する最も一般的な方法は、EDA(Electrodermal Activity)、ECG(Electrocardiogra m)、PSG(Photoplethysmogr am)、RESP(Respiration)、EEG(Electroencephalo gram)などの生理的信号を監視することである。 0.75
Together with these, researchers have also analyzed behavioral and activity-based features for stress detection [3] [4]. これらとともに、ストレス検出のための行動と行動に基づく特徴も分析した[3][4]。 0.83
Further, other physiological measures such as eye activity, pupil diameter, speech, etc. さらに、眼活動、瞳孔径、発話等の他の生理的指標。 0.62
have also been used for stress detection [5]. ストレス検出にも使われています [5] 0.73
Figure 1 shows some of the various measures adopted for monitoring stress levels. 図1は、ストレスレベルを監視するために採用された様々な手段を示しています。 0.54
Fig. 1. Some of the various physiological measures used for stress detection. フィギュア。 1. ストレス検出に用いられる様々な生理的指標のいくつか。 0.65
Although studies have been found that combining different physiological measures usually increases the performance of the stress classification model, this might increase the complexity of the system. 異なる生理的尺度を組み合わせることで、通常、ストレス分類モデルの性能が向上するが、これはシステムの複雑さを増大させる可能性がある。 0.69
Moreover, the usefulness of a particular physiological measure in characterizing stress depends on the application [6]. さらに、ストレスを特徴づける特定の生理的尺度の有用性は、[6]の適用に依存する。 0.74
For example, it has been found that EDA-based features are better in detecting stressed states during tasks that involve physical activity [7]. 例えば、EDAをベースとした特徴は、身体活動に関わるタスク中にストレス状態を検出するのに優れている [7]。 0.72
Similarly, it is found that ECG features are sensitive to changes in the context of physical activity [7]. 同様に、ECGの特徴は身体活動の文脈の変化に敏感である[7]。 0.63
Hence, identifying the optimal set of physiological parameters that can most accurately correlate the changes in the physiological response with stress is an important research topic [6]. したがって、生理反応の変化をストレスと最も正確に関連付けることができる生理的パラメータの最適なセットを特定することは重要な研究課題である[6]。 0.83
Usually feature selection methods are used for reducing the set of extracted features before training a machine learning classifier. 通常、特徴選択法は、機械学習分類器を訓練する前に抽出された特徴の集合を減らすために使用される。
訳抜け防止モード: 通常 特徴選択法は 機械学習の分類器をトレーニングする前に、抽出された機能のセットを減らす。
0.75
Once the important set of features are identified in the training phase, subsequently, we will only need to extract those features for prediction in the deployment phase. トレーニングフェーズで重要な機能セットが特定されると、その後、デプロイメントフェーズでこれらの機能を予測するためにのみ抽出する必要があります。 0.67
EDAPPGSTActivityECGR espEMGEEGPupil DiameterEye ActivitySpeechFacial ExpressionsBody Posture EDAPPGSTActivityECGR espEMEGPupil DiameterEye ActivitySpeechFacial ExpressionsBody Posture 0.53
英語(論文から抽出)日本語訳スコア
Typically, features are selected by ranking the features based on their association with the target variable. 通常、特徴は対象変数との関係に基づいて特徴をランク付けすることで選択される。 0.73
This association is usually quantified by some statistical measures such as correlation coefficient, mutual information, p-value, etc. この関係は通常、相関係数、相互情報、p値などの統計測度によって定量化される。 0.76
Subsequently, the best set of features is selected by following a greedy search technique [8] [3]. その後、欲求検索手法[8][3]に従うことにより、最高の特徴セットを選択する。 0.73
However, a major problem with greedy search is that it is not guaranteed to reach the global minimum of the solution space because it does not evaluate all the possible combinations. しかし、欲求探索の大きな問題は、すべての組み合わせを評価できないため、解空間のグローバルな最小値に達することが保証されていないことである。 0.79
To evaluate all the possible combinations, an exhaustive greedy search is required which is computationally very expensive. 全ての組み合わせを評価するには、計算に非常に高価である徹底的な欲求探索が必要である。 0.67
For example, if we want to choose the best performing 20 features from a set of 50 features, there will be approximately 4.7× 1013 combinations. 例えば、50の機能セットから最高のパフォーマンス20機能を選択したい場合は、およそ4.7×1013の組み合わせがあります。 0.67
In this work, we explore the application of quantum annealing for selecting the optimal set of features from EDA signals collected from hand and foot, ECG, and RESP signals. 本研究では,手足から収集したEDA信号,ECG信号,RESP信号から最適な特徴セットを選択するための量子アニールの適用について検討する。 0.80
The EDA, ECG, and RESP signals were downloaded from a publicly available database [9]. EDA、ECG、RESPの信号は、公開データベースからダウンロードされました [9]。 0.61
These physiological signals were collected during a driving task. これらの生理的信号は運転中に収集された。 0.59
During the driving task, the driver was required to start from rest and then drive through a series of city and highway driving segments. 運転中、ドライバーは休息から出発し、その後都市部と高速道路の走行区間を走行することを余儀なくされた。 0.66
The physiological signals were annotated with ”Low”, ”Medium”, and ”High” stress for driving segments during rest, highway, and city respectively. 生理的信号には, 休息時, 高速道路時, 都市時の各区間にそれぞれ"low" , "medium" および "high" のストレスが付与された。 0.77
The quantum annealing algorithm is implemented using a physical quantum computer realized by D-Wave systems [10]. 量子アニーリングアルゴリズムは、d波システムによって実現された物理量子コンピュータを用いて実装されている [10]。
訳抜け防止モード: 量子アニーリングアルゴリズムは d - wave systems [10] によって実現される物理量子コンピュータの使用。
0.90
The contribution of this work is as follows: • A hybrid classical-quantum machine learning pipeline is proposed for optimizing the number of features used for training the machine learning classifier. この研究の貢献は以下のとおりである。 • 機械学習分類器のトレーニングに使用される機能の数を最適化するために、ハイブリッドな古典量子機械学習パイプラインが提案されている。 0.71
• The proposed hybrid classical-quantum machine learning pipeline is used to solve the problem of selecting an optimum subset of features from a pool of physiological signals for detecting stress in automobile drivers. • 提案したハイブリッド古典量子機械学習パイプラインは,自動車運転者のストレスを検出する生理的信号のプールから特徴の最適なサブセットを選択する問題を解くために用いられる。 0.86
• Performance of the QA-based feature selection technique is compared with typically adopted classical feature selection techniques for stress detection under limited training data. •QAに基づく特徴選択法の性能は,訓練データに制限されたストレス検出のための古典的特徴選択法と比較される。 0.78
The paper is organized as follows: Section II will discuss the background on quantum annealing briefly. 第2節では量子アニーリングの背景について簡単に論じる。
訳抜け防止モード: 紙は以下のように整理されている 第2節では、量子アニールの背景について論じる。
0.62
Section III will outline the proposed classical-quantum hybrid training pipeline. 第3節では、提案されたクラシック量子ハイブリッドトレーニングパイプラインの概要について説明する。 0.39
Section IV will discuss the results, and finally Section V will conclude the work. 第4節は結果を議論し、最後に第5節は仕事を終える。 0.49
II. BACKGROUND ON QUANTUM ANNEALING AND II。 量子アニーリングの背景と展望 0.56
QUANTUM PROCESSING UNIT Quantum annealing is a noisy variant of the adiabatic model of quantum computation that allows relaxation on the strict requirements of the ideal adiabatic condition. 量子処理ユニット 量子アニーリング(quantum annealing)は、理想的なアダイバティック条件の厳密な要求を緩和できる量子計算のアダイバティックモデルのノイズのある変種である。 0.58
It is a heuristic search technique to find the global minimum of an objective function. 対象関数のグローバル最小値を求めるためのヒューリスティック探索手法である。 0.67
Theoretically, it has been proven that quantum annealing is always guaranteed to reach the global minimum with a faster rate of convergence than classical annealing [11]. 理論的には、量子アニーリングは常に古典アニーリング[11]よりも速い収束率で大域的最小値に達することが保証されている。 0.75
In greedy search techniques, the solution can get stuck in local minima. 欲深い検索技術では、ソリューションはローカルなミニマで立ち往生する。 0.68
Quantum annealing escapes local minima by tunneling through the long energy barriers. 量子アニールは、長いエネルギー障壁をトンネルすることで局所的なミニマを逃れる。 0.58
In D-Wave’s quantum annealer, the quantum computation is performed by the QPU (Quantum Processing Unit). D-Waveの量子アニールでは、量子計算はQPU(Quantum Processing Unit)によって実行される。 0.89
The QPU is mainly a collection of qubits which are arranged in graph structures. QPUは主にグラフ構造に配置された量子ビットの集合である。 0.76
Some of the qubits are interconnected to each other through couplers. いくつかのキュービットはカプラを介して相互に接続される。 0.61
While solving an optimization problem, the qubits are initialized with the bias of the variables that needs to be optimized. 最適化問題を解決する際、キュービットは最適化が必要な変数のバイアスによって初期化される。 0.78
The strength of the couplers connecting any two qubits are initialized with the weight of the connection between the two variables. 2つのキュービットを接続するカプラの強さは、2つの変数間の接続の重みによって初期化される。 0.71
After the annealing the final values of the biases and weights are returned as the solution to the optimization problem. 熱処理後、最適化問題の解としてバイアスと重みの最終的な値を返す。 0.63
The optimized solutions are those that have the lowest energy configuration. 最適化された解はエネルギー構成が最も低い解である。 0.72
The underlying solutions can be then be re-sampled n-times to obtain different solutions to the same problem. 根底にある解は、同じ問題に対する異なる解を得るためにn時間再サンプリングすることができる。
訳抜け防止モード: 根底にある解を re-- sampled n - times 同じ問題に対する様々な解決策を得るのです
0.71
III. PROPOSED WORK Figure 2 shows the design of the proposed hybrid classicalquantum machine learning pipeline. III。 提案作業 図2は、提案されたハイブリッドなclassicquantum機械学習パイプラインの設計を示しています。 0.66
This hybrid pipeline consists of a classical subroutine and a quantum subroutine. このハイブリッドパイプラインは、古典サブルーチンと量子サブルーチンで構成される。 0.72
We will discuss these subroutines in detail in this section. 本項ではこれらのサブルーチンについて詳述する。 0.61
A. Classical Subroutine A。 古典サブルーチン 0.70
The classical subroutine executes the preprocessing and 古典的なサブルーチンは前処理を実行し、 0.60
feature extraction stages of the machine learning pipeline. 機械学習パイプラインの機能抽出ステージ。 0.62
1) Preprocessing: In this module, the EDA signals from hand and foot, ECG, and RESP signals are normalized and filtered using a low-pass Butterworth filter of order 5 and the signal components greater than 1 Hz for EDA, 40 Hz for ECG, and 10 Hz for Resp signals were cut off. 1) 前処理:本モジュールでは,手足からのEDA信号,ECG信号,RESP信号の正規化を行い,順5の低域バターワースフィルタを用いてフィルタし,EDAの1Hz以上,ECGの40Hz,Resp信号の10Hzを遮断した。 0.72
2) Feature Extraction: Features were extracted using a running window of 100 seconds and an overlap of 50 seconds for all four physiological signals. 2)特徴抽出:4つの生理的信号に対して100秒のランニングウィンドウと50秒のオーバーラップを用いて特徴抽出を行った。 0.79
Six features each were extracted from the EDA signal collected from hand and foot. 手足から収集したEDA信号からそれぞれ6つの特徴を抽出した。 0.71
These six features comprised of the mean, variance, number of peaks in a time window, sum of the EDA peaks, and the sum of the response duration of the EDA signal. これら6つの特徴は、平均、分散、タイムウィンドウ内のピーク数、edaピークの総和、eda信号の応答持続時間の合計からなる。
訳抜け防止モード: これら6つの特徴は、平均、ばらつき、時間窓のピーク数から成っている。 EDAのピークの総和とEDA信号の応答時間の総和。
0.61
For the ECG signal, a total of 15 time-domain features and 6 frequency domain features were extracted. ECG信号には合計15の時間領域特徴と6つの周波数領域特徴が抽出された。 0.77
The time-domain features comprised of the various statistical measure of the R peaks of ECG signal and the mean, maximum, minimum, and standard deviation of the heart rate extracted from the ECG signal. 時間領域の特徴は、心電図信号のrピークと、心電図信号から抽出された心拍数の平均、最大、最小、および標準偏差の様々な統計指標からなる。
訳抜け防止モード: ECG信号のRピークの様々な統計測度からなる時間領域の特徴 そして,心電図信号から抽出した心拍数の平均,最大,最小,標準偏差について検討した。
0.85
The frequency-domain features comprised of low power, high power, and very low and high power components of ECG signals, along with their ratios. 周波数領域は、低電力、高電力、およびecg信号の非常に低電力および高電力成分とそれらの比からなる。 0.68
For the RESP signal, a total of 6 features were extracted, which included the mean and variance of the respiration signal. resp信号は,呼吸信号の平均とばらつきを含む合計6つの特徴を抽出した。
訳抜け防止モード: resp信号では,合計6つの特徴が抽出された。 呼吸信号の平均とばらつきを含んでいました
0.74
The remaining four features were the average power in the four frequency bands, (0-0.1 Hz), (0.1-0.2 Hz), (0.2-0.3 Hz), and (0.3-0.4 Hz). 残りの4つの特徴は4つの周波数帯の平均出力(0-0.1Hz)、0.1-0.2Hz(0.2-0.3Hz) 、0.3-0.4Hz(0.3-0.4Hz) であった。 0.52
More details on the feature extraction from these signals can be found in [9]. これらの信号から特徴抽出の詳細は[9]に記載されている。 0.83
3) Train and Test Split: The entire feature set 3)トレイン・アンド・テスト・スプリット:全機能セット 0.81
is first annotated with their respective stress labels, that is low stress, medium stress, and high stress. 最初は、それぞれのストレスラベルで注釈付けされ、それは低ストレス、中ストレス、高ストレスである。 0.69
Subsequently, the feature set is divided into train and test sets in the approximate ratio of 7030. その後、特徴集合を列車と試験集合に分割し、近似比7030とする。 0.65
The train set is then used to compute the bias and weight matrix by computing the pair-wise feature-target correlation, 列車のセットは、ペアワイズ特徴目標相関を計算することによってバイアスと重み行列を計算するために使用される。
訳抜け防止モード: 電車のセットが使用される 偏差行列と重み行列を2対-賢特徴-目標相関で計算する
0.72
英語(論文から抽出)日本語訳スコア
Fig. 2. Overview of the proposed work. フィギュア。 2. 提案された作業の概要。 0.67
and feature-feature correlation respectively. In this work, we have used the Person correlation coefficient to quantify the feature-feature and feature-target correlation. 特徴-特徴相関。 本研究では,人物相関係数を用いて特徴量と特徴量との相関を定量化した。 0.62
It is to be noted that only the weight and the bias matrices are offloaded to the quantum subroutine and not the entire training dataset. ただし、トレーニングデータセット全体ではなく、重みとバイアス行列のみが量子サブルーチンにオフロードされる点には注意が必要だ。 0.70
B. Quantum Subroutine B.量子サブルーチン 0.83
The quantum subroutine is comprised of a classical software interface that maps problem instances to the D-Wave QPU. 量子サブルーチンは、問題インスタンスをD-Wave QPUにマッピングする古典的なソフトウェアインターフェースで構成されている。 0.73
The quantum subroutine consists of a software interface that translates the real-world problem instance into a representation that can be solved by the D-Wave’s QPU. 量子サブルーチンは、現実世界の問題のインスタンスをD-WaveのQPUで解決できる表現に変換するソフトウェアインターフェースで構成されている。 0.81
To translate the problem, a binary quadratic model is initialized. 問題を翻訳するために、二項二次モデルが初期化される。 0.61
The nodes represent the features, and the strength of the connection between the nodes represents the interaction between the feature variables. ノードは特徴を表し、ノード間の接続の強さは特徴変数間の相互作用を表す。 0.73
The values of the nodes are initialized with the biases obtained from the feature-target bias matrix from the training phase, and the strength of the connection between the nodes is initialized with the feature-feature weight matrix from the training phase. ノードの値は、トレーニングフェーズから特徴対象バイアスマトリックスから得られたバイアスで初期化され、その訓練フェーズから特徴特徴重み行列でノード間の接続強度が初期化される。 0.71
After the initialization of the weights and biases, D-Wave’s clique sampler is used to sample cliques with the lowest energy configuration. 重みとバイアスの初期化後、d-waveのclique samplerは最低エネルギー構成のcliqueをサンプリングするために使用される。 0.70
The solution returned by the D-Wave clique sampler is resampled multiple times to obtain multiple closeto-good solutions and the clique with the lowest energy is chosen as the best solution. D波クリプトサンプリング器で返される溶液を複数回再サンプリングして複数のクローズトグッド溶液を得るとともに、最低エネルギーのクリッドを最適溶液として選択する。 0.66
The nodes that form the cliques with the lowest energy configuration is hypothesized as the best performing optimum subset of features. 最も低いエネルギー構成でクランクを形成するノードは、最も最適な特徴のサブセットとして仮定される。 0.66
IV. RESULTS AND ANALYSIS In this section, we will discuss the performance of the QAbased feature selection technique with typically adopted feature selection techniques for stress detection such as Pearson correlation ranking-based feature selection, p-value based feature selection, and mutual-information-b ased feature selection. IV。 結果と分析 本稿では、ピアソン相関ランキングに基づく特徴選択、p値に基づく特徴選択、相互情報に基づく特徴選択など、ストレス検出のための典型的な特徴選択技術を用いたQAベースの特徴選択手法の性能について論じる。 0.74
For simplicity, the default parameters of the quantum annealer was used in this work. 単純性のために、量子アニールのデフォルトパラメータがこの研究で使われた。 0.72
A. Evaluation Objective The objective of our analysis is to verify the effectiveness of the QA-based feature selection algorithm in selecting the optimum set of features for stress level prediction. A。 評価対象 本解析の目的は,応力レベル予測のための最適特徴集合の選択におけるqaに基づく特徴選択アルゴリズムの有効性を検証することである。 0.75
In this section, we will perform a quantitative and qualitative evaluation of the QA-based feature selection method. 本稿では,QAに基づく特徴選択手法の定量的,定性的な評価を行う。 0.79
A comparison with classical feature selection techniques under 100%, 30%, 20%, and 10% of the training data will also be analyzed. トレーニングデータの100%、30%、20%、10%以下の古典的特徴選択手法との比較も分析する。
訳抜け防止モード: 100%以下,30%以下での古典的特徴選択手法との比較 20%,トレーニングデータの10%が分析される。
0.69
B. Qualitative Evaluation In this section, we will perform a qualitative evaluation of the features selected using four techniques namely quantum annealing, mutual information, p-value, and Pearson correlation feature selection technique. B.質的評価 本稿では,量子アニール法,相互情報,p値,ピアソン相関特徴選択法という4つの手法を用いて選択した特徴の質的評価を行う。 0.84
These four techniques were used to extract features using 100%, 30%, 20%, and 10% of the training data. これらの4つのテクニックは、トレーニングデータの100%、30%、20%、10%を使って特徴を抽出するために使用された。
訳抜け防止モード: これら4つの技法は、100%を用いて特徴を抽出するために用いられた。 30%,20%,10%のトレーニングデータであった。
0.70
For each of the techniques, the feature selection procedure was repeated n-times (n=10 in our case) to provide less importance to features that got selected just by random chance. それぞれの手法について,特徴選択手順をn回繰り返す(本例ではn=10)ことで,ランダムな確率で選択された特徴の重要度を低減した。 0.78
The selected features were categorized according to their sources such as ECG-based features, HEDA-based features, F-EDA-based features, and RESP-based 選択した特徴は、ECGベースの特徴、HEDAベースの特徴、F-EDAベースの特徴、RESPベースの特徴など、ソースに応じて分類された。 0.56
PreprocessingFeature ExtractionStress AnnotationTrain and Test SplitTest Data▪Annealingstarts:Cliq uesaresampledfromthe BQM▪Solutionisreturnedaf tertheannealingModel TrainingTrained ModelPerformance EvaluationH-EDAF-EDA ECGRespD-Wave QPUQuantum SubroutineClassical SubroutineTrain Data▪Feature-Featurecorre lationmatrix(Weightm atrix)▪Feature-Targetcorrel ationmatrix(Biasmatr ix)▪InitializationofaBin aryQuadraticModel(BQ M)▪Mappingbiasestonodes oftheBQM▪Mappingweightstoconn ectionbetweennodes▪InitializingCliquesa mplertosamplecliques fromtheBQM▪Initializationofanne alingparameters▪Resamplingoftheorigi nalsolutiondistribut iontoobtainmultiples olutions▪Solutionwiththelowes tenergyisselectedast hedesiredsolution PreprocessingFeature ExtractionStress AnnotationTrain and Test SplitTest Data▪Annealingstarts:Cliq uesaresampledfromthe BQM▪Solutionisreturnedaf tertheannealingModel TrainingTrained ModelPerformance EvaluationH-EDAF-EDA ECGRespD-Wave QPUQuantum SubroutineClassical SubroutineTrain Data▪Feature-Featurecorre lationmatrix(Weightm atrix)▪Feature-Targetcorrel ationmatrix(Biasmatr ix)▪InitializationofaBin aryQuadraticModel(BQ M)▪Mappingbiasestonodes oftheBQM▪Mappingweightstoconn ectionbetweennodes▪InitializingCliquesa mplertosamplecliques fromtheBQM▪Initializationofanne alingparameters▪Resamplingoftheorigi nalsolutiondistribut iontoobtainmultiples olutions▪Solutionwiththelowes tenergyisselectedast hedesiredsolution 0.16
英語(論文から抽出)日本語訳スコア
Fig. 3. Clockwise from top: (a) quantum annealing based selection, (b) mutual information based selection, (c) Pearson correlation based feature selection, and (d) p-value based feature selection. フィギュア。 3. a) 量子アニールに基づく選択、(b) 相互情報に基づく選択、(c) ピアソン相関に基づく特徴選択、(d) p-値に基づく特徴選択。
訳抜け防止モード: フィギュア。 3. 上から時計回りに : (a) 量子アニールに基づく選択 b)相互情報に基づく選択、(c)ピアソン相関に基づく特徴選択 と (d ) p - value based feature selection である。
0.72
features. Figure 3 shows the contribution of specific signal sources in terms of the percentage of total features selected. 特徴。 図3は、選択された全特徴の比率で、特定の信号源の寄与を示す。 0.74
From Figure 3, we can visualize that quantum annealing based feature selection returned a more stable set of features from mainly two signal sources (ECG and RESP) for 100% training data and 30% training data. 図3から、量子アニールに基づく特徴選択が、主に2つの信号源(ECGとRESP)から、100%のトレーニングデータと30%のトレーニングデータに対して、より安定した特徴セットを返すことを可視化できる。 0.74
Even with 20% and 10% of the training data, ECG and respiration-based features contributed to more than 95% and 88% of the total feature count. トレーニングデータの20%と10%にもかかわらず、ECGと呼吸ベースの特徴は、全体の特徴数の95%と88%以上を占めた。 0.80
This shows that QA-based feature selection consistently found EDA-based features less important than ECG and RESP-based features. これはQAベースの機能選択が、ECGやRESPベースの機能よりもEDAベースの機能が重要でないことを一貫して見出したことを示している。 0.40
This consistency is not affected when only 30% of the training data is available for feature selection. この一貫性は、トレーニングデータの30%しか機能選択できない場合に影響を受けない。 0.76
This consistency deteriorates only slightly even when 10% and 20% of the training data are available. この一貫性は、トレーニングデータの10%と20%が利用可能である場合でもわずかに低下する。
訳抜け防止モード: この一貫性は ほんの少しでも低下します トレーニングデータの10%と20%が利用できる。
0.70
C. Quantitative Evaluation The quantitative evaluation will be based on the average F1score computed under all training data scenarios. C. 定量評価 定量的評価は、すべてのトレーニングデータシナリオで計算される平均F1スコアに基づいて行われる。 0.76
The training data scenarios are 100% training data, 30% training data, 20% training data, and 10% training data. トレーニングデータシナリオは、100%のトレーニングデータ、30%のトレーニングデータ、20%のトレーニングデータ、10%のトレーニングデータである。 0.83
The effectiveness of a particular feature selection algorithm will be estimated by the ability of the selected features to classify a feature sample in low, medium, and high stress classes using classical classification. 特定の特徴選択アルゴリズムの有効性は,古典的分類を用いて,特徴サンプルを低,中,高ストレスクラスに分類する能力によって推定される。 0.83
The metric used to quantify the classification performance is the F1-score. 分類性能の定量化に用いられる計量はF1スコアである。 0.74
Figure 4 shows the average F1score achieved when features were selected using the different training data sizes for QA-based feature selection technique, mutual-information-b ased feature selection, Pearsoncorrelation-b ased feature selection, and p-value-based feature selection. 図4は、QAベースの特徴選択技術、相互情報に基づく特徴選択、ピアソン相関に基づく特徴選択、p値に基づく特徴選択のための異なるトレーニングデータサイズを用いて、特徴が選択されたときの平均F1スコアを示している。 0.62
From Figure 4, it can be visualized that the F1-score for quantum-annealing-ba sed feature selection technique is more or less constant when features are selected using different 図4から、量子アニーリングに基づく特徴選択手法のf1-scoreは、異なる特徴を選択した場合、多かれ少なかれ一定であることが分かる。 0.69
training sizes for high, medium, and low-stress classes. ハイクラス、中クラス、ローストレスクラスのためのトレーニングサイズ。 0.57
The trend line of the F1-score obtained using different training sizes does not follow a clear increasing or decreasing trend. 異なるトレーニングサイズで得られるf1-scoreのトレンドラインは、明らかに増加する傾向や減少傾向に従わない。 0.75
This implies that the average F1-score did not drop significantly as training samples were reduced. このことから,F1スコアの平均値はトレーニングサンプルの減少とともに低下しなかった。 0.69
Moreover, no significant statistical difference (p-value>0.05) was observed between the F1-scores obtained under 30%, 20%, and 10% training data and the F1-score obtained when 100% of the training data was used for feature selection. さらに, 30%, 20%, 10%のトレーニングデータで得られたF1スコアと, 100%のトレーニングデータを特徴選択に用いたF1スコアとの間に有意な統計的差(p-value>0.05)は認められなかった。 0.81
This implies that the performance of QA-based feature selection was not affected to a significant extent under the presence of limited training data when the quantum-annealing-ba sed feature selection technique was used. これはQAに基づく特徴選択の性能が、量子アニーリングに基づく特徴選択技術を用いた場合、限られたトレーニングデータの存在下では大きな影響を受けなかったことを意味する。 0.72
In the case of the mutual-information-b ased feature selection technique, the trend line follows a decreasing trend as training sizes are reduced. 相互情報に基づく特徴選択手法では,トレーニングサイズが小さくなるにつれて傾向が低下する傾向にある。 0.78
Moreover, except for low stress, a significant statistical difference (p-value<0.05) is observed between the F1-scores obtained under 30%, 20%, and 10% training data and the F1-score obtained when 100% of the training data was used. また, トレーニングデータの30%, 20%, 10%で得られたF1スコアと, トレーニングデータの100%で得られたF1スコアとの間に有意な統計的差(p値<0.05)が認められた。 0.80
Similarly, for the p-value-based feature selection technique, a clear decreasing trend is observed with the average F1-score as the size of training data is reduced. 同様に、p値に基づく特徴選択手法では、トレーニングデータのサイズが小さくなるにつれて、平均F1スコアで明確な減少傾向が観察される。 0.70
An exception to this observation is the situation where p-valuebased features were used to detect low stress. この観察の例外は、p値に基づく特徴が低応力の検出に使われたことである。 0.76
For the p-valuebased feature selection technique, no significant statistical difference was observed between the F1-scores obtained under 30%, 20%, and 10% training data and the F1-score obtained when 100% of the training data. p値に基づく特徴選択法では,トレーニングデータの30%,20%,10%で得られたF1スコアと,トレーニングデータの100%で得られたF1スコアとの間に有意な統計的差は認められなかった。 0.78
However, the average F1score obtained using the p-value-based feature selection technique is significantly lower than that obtained using quantum annealing and mutual-information-b ased feature selection technique. しかし、p値に基づく特徴選択技術を用いて得られた平均f1scoreは、量子アニーリングおよび相互情報に基づく特徴選択技術を用いて得られたものよりも著しく低い。 0.65
Pearson-correlation- based feature selection tech- ピアソン相関に基づく特徴選択技術 0.53
(a) Quantum Annealing(b) Mutual InformationECG10% 20% 30% 100%1008060402001008 06040200RESPH-EDAF-E DA10% 20% 30% 100%10% 20% 30% 100%10% 20% 30% 100%% of ECG based features% of RESP based features% of H-EDA based features% of F-EDA based features% of selected features% of selected features% of training data used for selecting features(c) Pearson Correlation(d) P-Value a)量子アニーリング(b) 相互情報ecg10% 20% 30% 100%1008040100804040 40200resph-edaf-eda1 0% 20% 30% 100%10% 20% 100%10% 20% 20% 100%10% 20% 100%10% 20% 20% 20% 30% 100%% of ecg based features% of h-eda based features% of f-eda based features% of select features% of selection features% of features(c) pearson correlation(d) p-value 0.86
英語(論文から抽出)日本語訳スコア
Fig. 4. Clockwise from top: (a) quantum annealing based selection, (b) mutual information based selection, (c) p-value based feature selection, and (d) pearson correlation based feature selection . フィギュア。 4. a) 量子アニールに基づく選択、(b) 相互情報に基づく選択、(c) p-値に基づく特徴選択、(d) ピアソン相関に基づく特徴選択。
訳抜け防止モード: フィギュア。 4. 上から時計回りに : (a) 量子アニールに基づく選択 (b)相互情報ベース選択、(c)p-値ベース特徴選択 および (d) ピアソン相関に基づく特徴選択。
0.69
Trend line is shown in black and is obtained by connecting the F1-scores obtained under different training sizes for high, medium, and low stress. 傾向線は黒色で示され、異なるトレーニングサイズで得られたf1-スコアを高、中、低応力で接続して得られる。 0.75
nique did not perform as well as compared to other feature selection techniques which are evident from the overall low average F1-score across all groups and training data size. niqueは、すべてのグループにまたがる平均的なf1-scoreとトレーニングデータサイズから明らかな他の機能選択技術と同等の性能を発揮できなかった。 0.76
plan to extend our analysis of quantum-annealing based feature selection techniques in solving diverse problems where feature selection is an important step in the machine learning pipeline. 機械学習パイプラインにおいて、機能選択が重要なステップである多様な問題を解決するために、量子アニーリングに基づく特徴選択技術の分析を拡張する計画である。
訳抜け防止モード: 量子アニールに基づく特徴選択技術の解析を拡大する計画 機能選択が機械学習パイプラインの重要なステップである多様な問題を解決する。
0.85
V. CONCLUSION AND FUTURE WORK V.コンキュレーション及び将来の作業 0.65
In this paper, a novel method for automated feature selection using quantum annealing is explored. 本稿では,量子アニールを用いた特徴自動選択法を提案する。 0.63
We have proposed a hybrid classical-quantum machine learning pipeline that integrates D-Wave’s QPU through a software interface that allows interaction with the physical QPU. 我々は,D-WaveのQPUを物理QPUとのインタラクションが可能なソフトウェアインターフェースを通じて統合した,古典量子機械学習パイプラインを提案する。 0.80
The problem of selecting optimal features is formulated as selecting a clique with the lowest energy from a binary quadratic model. 最適特徴の選択問題は、二元二次モデルから最低エネルギーのクランクを選択することで定式化される。 0.72
The nodes forming the lowest energy clique are returned as the set of optimal feature space. 最低エネルギー傾斜を形成するノードは最適な特徴空間の集合として返される。 0.76
As a case study, QA-based feature selection was used to select the optimum feature subset for detecting stress in a driving scenario and compared with mutual information, Pearson coefficient, and p-value based feature selection techniques. ケーススタディとして,運転シナリオにおけるストレス検出のための最適な特徴サブセットの選択にqaに基づく特徴選択を用い,相互情報,ピアソン係数,p値に基づく特徴選択手法と比較した。 0.82
Results show that QA based feature selection technique performed equally well as the classical techniques. その結果,QAに基づく特徴選択手法は古典的手法と同等に機能した。 0.72
In conditions where training data was limited, a slight advantage is observed when QA based feature selection algorithm was used. トレーニングデータに制限がある場合,QAに基づく特徴選択アルゴリズムを用いた場合,若干の利点が見られた。 0.81
However, future investigation on large-scale datasets and/Or on different application domain will help us understand how quantum-annealing-ba sed optimization techniques generally performs better than the classical techniques. しかし、大規模データセットおよび/または異なるアプリケーションドメインに関する今後の調査は、量子アニーリングベースの最適化技術が一般的に古典的な技術よりもうまく機能するかを理解するのに役立つだろう。 0.59
Preliminary results from this study shows the promise of quantum annealing as an efficient alternative to classical feature selection techniques. 本研究の予備結果は,古典的特徴選択手法の効率的な代替手段としての量子アニーリングの期待を示す。 0.72
QA-based feature optimization technique was found to return consistent results both in terms of performance and the consistency of features selected even when training sizes were reduced in size. QAに基づく特徴最適化手法は,トレーニングサイズが小さくても,性能と特徴の整合性の両方で一貫した結果を返すことがわかった。 0.85
In the future, we REFERENCES [1] B. S. McEwen, “Stress, adaptation, and disease: Allostasis and allostatic load,” Annals of the New York academy of sciences, vol. 将来的には 参考 b. s. mcewen, “stress, adapt, and disease: allostasis and allostatic load”, annals of the new york academy of sciences, vol. (英語) 0.58
840, no. 1, pp. 840年? 1、p。 0.55
33–44, 1998. 33–44, 1998. 0.84
[2] S. M. Rothman and M. P. Mattson, “Adverse stress, hippocampal networks, and alzheimer’s disease,” Neuromolecular medicine, vol. [2] S. M. Rothman, M. P. Mattson, “Reverse stress, hippocampal network, and alzheimer’s disease”, Neuromolecular Medicine, vol。 0.88
12, no. 1, pp. 56–70, 2010. 12だ 1、p。 56–70, 2010. 0.62
[3] J. Aigrain, M. Spodenkiewicz, S. Dubuisson, M. Detyniecki, D. Cohen, and M. Chetouani, “Multimodal stress detection from multiple assessments,” IEEE Transactions on Affective Computing, vol. J. Aigrain, M. Spodenkiewicz, S. Dubuisson, M. Detyniecki, D. Cohen, M. Chetouani, “Multimodal stress detection from multiple Assessments”, IEEE Transactions on Affective Computing, vol。 0.81
9, no. 4, pp. 9番だ 4, pp。 0.61
491–506, 2016. 491–506, 2016. 0.84
[4] D. S. Lee, T. W. Chong, and B. G. Lee, “Stress events detection of driver by wearable glove system,” IEEE Sensors Journal, vol. D.S. Lee, T.W. Chong, and B.G. Lee, “Stress events detection of driver by wearable glove system”, IEEE Sensors Journal, vol。 0.80
17, no. 1, pp. 17 だめだ 1、p。 0.58
194–204, 2016. 194–204, 2016. 0.84
[5] G. Giannakakis, D. Grigoriadis, K. Giannakaki, O. Simantiraki, A. Roniotis, and M. Tsiknakis, “Review on psychological stress detection using biosignals,” IEEE Transactions on Affective Computing, 2019. G. Giannakakis, D. Grigoriadis, K. Giannakaki, O. Simantiraki, A. Roniotis, M. Tsiknakis, “Review on Psycho stress detection using Biosignals”, IEEE Transactions on Affective Computing, 2019。 0.82
[6] E. Smets, W. De Raedt, and C. Van Hoof, “Into the wild: the challenges of physiological stress detection in laboratory and ambulatory settings,” IEEE journal of biomedical and health informatics, vol. 6] e. smets, w. de raedt, c. van hoof, “into the wild: the challenges of physiological stress detection in laboratory and ambulatory settings” ieee journal of biomedical and health informatics, vol. 生物医学・健康情報学誌。 0.87
23, no. 2, pp. 463–473, 2018. 23歳。 2、p。 463–473, 2018. 0.65
[7] M. van Dooren, J. H. Janssen et al , “Emotional sweating across the body: Comparing 16 different skin conductance measurement locations,” Physiology & behavior, vol. M. van Dooren, J. H. Janssen et al , “Emotional sweating across the body: Comparisoning 16 different skin conductance Measurement locations”, Physiology & behavior, vol. 0.79
106, no. 2, pp. 106 だめだ 2、p。 0.57
298–304, 2012. 298–304, 2012. 0.84
[8] A. O. Akmandor and N. K. Jha, “Keep the stress away with soda: Stress detection and alleviation system,” IEEE Transactions on Multi-Scale Computing Systems, vol. [8]A.O.Akmandor,N.K.Jha , “Keep the stress away with soda: stress detection and alleviation system”, IEEE Transactions on Multi-Scale Computing Systems, vol。 0.90
3, no. 4, pp. 3位はノー。 4, pp。 0.74
269–282, 2017. 269–282, 2017. 0.84
[9] J. A. Healey and R. W. Picard, “Detecting stress during real-world driving tasks using physiological sensors,” IEEE Transactions on Intelligent Transportation Systems, vol. 9] J。 IEEE Transactions on Intelligent Transportation Systems,vol.A. HealeyとR.W. Picardは、“生理的センサーを使って現実世界の運転中のストレスを検出する”。 0.64
6, no. 2, pp. 6、ノー。 2、p。 0.67
156–166, 2005. 156–166, 2005. 0.84
[10] “The D-wave 2000q™ quantum computer [10]「D波2000qTM量子コンピュータ」 0.85
technology overview,” 2019. 技術概要』2019年。 0.60
[Online]. Available: https://www.dwavesys .com/sites/default/files/ D-Wave%202000Q%20Tec h%20Collateral0117F. pdf [オンライン] https://www.dwavesys .com/sites/default/f iles/d-wave%202000q% 20collateral0117f.pd f 0.55
[11] S. Morita and H. Nishimori, “Mathematical foundation of quantum annealing,” Journal of Mathematical Physics, vol. Journal of Mathematical Physics, vol.[11]S. MoritaとH. Nishimori, “Mathematical foundation of quantum annealing”. 0.87
49, no. 12, p. 125210, 2008. 49、ノー。 12p125210, 2008。 0.69
Average F1-Scores0.00.20.40. 60.81.0LowMedHighLow LowLowMedMedMedHighH ighHighAverage F1-Scores0.00.20.40. 60.81.0(a) Quantum Annealing (b) Mutual Information(d) P-Value(c) Pearson CorrelationAll training data30% training data20% training data10% training dataTrend LineDecreasing Trend LineConstant Trend LineStress classes A averageage F1-Scores0.00.20.40. 60.81.0LowHighLowMed MedHighHighAverage F1-Scores0.00.20.60. 81.0(a) Quantum Annealing (b) Mutual Information(d) P-Value(c) Pearson correlationAll training data30% training data20% training data20% training dataTrend lineDecreasing Trend LineConstant Trends LineStress class 0.55
           ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。