Fugu-MT 論文翻訳(概要): Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile Health

論文の概要: Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile Health

arxiv url: http://arxiv.org/abs/2003.12881v1
Date: Sat, 28 Mar 2020 19:57:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-18 23:27:39.005146
Title: Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile Health
Title（参考訳）: モバイル健康における線形混合モデルの流線型経験ベイズフィッティング
Authors: Marianne Menictas, Sabina Tomkins, Susan A Murphy
Abstract要約: 身体活動を増加させるために設計されたモバイルヘルス(mHealth)アプリケーションは、ユーザのモチベーションを高めるためにコンテキスト的に関連性のある提案をする必要がある。そこで本稿では,ユーザに対して,コンテキスト化された,パーソナライズされた身体活動提案を提供するアルゴリズムを提案する。技術アプローチの精度は, それぞれ99%, 56%に向上した。
参考スコア（独自算出の注目度）: 3.8974425658660596
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To effect behavior change a successful algorithm must make high-quality decisions in real-time. For example, a mobile health (mHealth) application designed to increase physical activity must make contextually relevant suggestions to motivate users. While machine learning offers solutions for certain stylized settings, such as when batch data can be processed offline, there is a dearth of approaches which can deliver high-quality solutions under the specific constraints of mHealth. We propose an algorithm which provides users with contextualized and personalized physical activity suggestions. This algorithm is able to overcome a challenge critical to mHealth that complex models be trained efficiently. We propose a tractable streamlined empirical Bayes procedure which fits linear mixed effects models in large-data settings. Our procedure takes advantage of sparsity introduced by hierarchical random effects to efficiently learn the posterior distribution of a linear mixed effects model. A key contribution of this work is that we provide explicit updates in order to learn both fixed effects, random effects and hyper-parameter values. We demonstrate the success of this approach in a mobile health (mHealth) reinforcement learning application, a domain in which fast computations are crucial for real time interventions. Not only is our approach computationally efficient, it is also easily implemented with closed form matrix algebraic updates and we show improvements over state of the art approaches both in speed and accuracy of up to 99% and 56% respectively.
Abstract（参考訳）: 振る舞いを変えるために、成功したアルゴリズムは、リアルタイムで高品質な決定をしなければならない。例えば、身体活動を増加させるために設計されたモバイルヘルス(mHealth)アプリケーションは、ユーザーを動機づけるためにコンテキスト的に関連性のある提案をしなければならない。機械学習は、バッチデータをオフラインで処理できるような、特定のスタイリッシュな設定のためのソリューションを提供するが、mhealthの特定の制約の下で高品質なソリューションを提供するためのアプローチは多数存在する。本稿では,ユーザに対して,身体活動の文脈的およびパーソナライズされた提案を行うアルゴリズムを提案する。このアルゴリズムは、複雑なモデルを効率的に訓練するmHealthにとって重要な課題を克服することができる。大規模データ設定において線形混合効果モデルに適合するトラクタブル・合理化経験ベイズ法を提案する。本手法は,線形混合効果モデルの後方分布を効率よく学習するために,階層的ランダム効果によって生じる空間性を利用する。この研究の重要な貢献は、固定効果、ランダム効果、ハイパーパラメータ値の両方を学ぶために明示的な更新を提供することです。このアプローチは,モバイルヘルス(mhealth)強化学習アプリケーションにおいて,リアルタイム介入に高速計算が不可欠である領域において,その成功を実証する。私たちのアプローチは計算効率が優れるだけでなく、クローズドフォーム行列代数的な更新でも容易に実装でき、速度と精度がそれぞれ99%と56%という、最先端のアプローチよりも改善しています。

関連論文リスト

LightPure: Realtime Adversarial Image Purification for Mobile Devices Using Diffusion Models [1.6035624867835674]
本稿では,敵画像の清浄性を高める新しい方法であるLightPureを紹介する。既存の浄化法の精度を向上し、スピードと計算効率を著しく向上させる。以上の結果から,LightPureは既存のメソッドを最大10倍のレイテンシで上回ることができることがわかった。
論文参考訳（メタデータ） (2024-08-31T03:45:57Z)
DynaMMo: Dynamic Model Merging for Efficient Class Incremental Learning for Medical Images [0.8213829427624407]
継続学習は、学習した情報を保持しながら新しいデータから知識を得る能力であり、機械学習における根本的な課題である。本研究では,モデル学習の異なる段階で複数のネットワークをマージし,より優れた計算効率を実現するDynaMMOを提案する。我々はDynaMMoを3つの公開データセット上で評価し、既存のアプローチと比較してその効果を実証した。
論文参考訳（メタデータ） (2024-04-22T11:37:35Z)
Erasing Undesirable Influence in Diffusion Models [51.225365010401006]
拡散モデルは高品質な画像を生成するのに非常に効果的であるが、NSFW(職場では安全ではない)コンテンツの意図しない生成のようなリスクを引き起こす。本研究では,データに関連付けられた不要な情報を取り除き,保存データに対する拡散モデルの実用性を維持するために設計されたアルゴリズムであるEraseDiffを紹介する。
論文参考訳（メタデータ） (2024-01-11T09:30:36Z)
dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
論文参考訳（メタデータ） (2023-06-02T11:19:50Z)
HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文参考訳（メタデータ） (2022-06-15T19:10:35Z)
Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文参考訳（メタデータ） (2022-06-11T18:03:26Z)
Light-weight Deformable Registration using Adversarial Learning with Distilling Knowledge [17.475408305030278]
本稿では,競争精度を向上しつつ計算コストを大幅に削減する軽量変形型レジストレーションネットワークを提案する。特に,有効だが高価な教師ネットワークから学生ネットワークへの有意義な情報を活用した蒸留知識アルゴリズムを用いた新たな逆学習を提案する。各種公開データセットに対する実験結果から,提案手法は最先端の精度を達成できる一方で,最近の手法よりもはるかに高速であることがわかった。
論文参考訳（メタデータ） (2021-10-04T09:59:01Z)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)
Fast Physical Activity Suggestions: Efficient Hyperparameter Learning in Mobile Health [1.9788007735185449]
我々は,mhealth設定で身体活動を提案するアルゴリズムを提案する。我々は、それぞれ99%と56%の速度と精度の両方で、最先端のアプローチよりも改善を示しています。
論文参考訳（メタデータ） (2020-12-21T19:17:31Z)
Active Learning for Gaussian Process Considering Uncertainties with Application to Shape Control of Composite Fuselage [7.358477502214471]
ガウス過程に不確実性のある2つの新しい能動学習アルゴリズムを提案する。提案手法は不確実性の影響を取り入れ,予測性能の向上を実現する。本手法は, 複合胴体の自動形状制御における予測モデルの改善に応用されている。
論文参考訳（メタデータ） (2020-04-23T02:04:53Z)
A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは深層学習コミュニティへの関心を高めています医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文参考訳（メタデータ） (2020-04-21T00:49:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。