Fugu-MT 論文翻訳(概要): Data augmentation using generative networks to identify dementia

論文の概要: Data augmentation using generative networks to identify dementia

arxiv url: http://arxiv.org/abs/2004.05989v1
Date: Mon, 13 Apr 2020 15:05:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 23:35:02.142893
Title: Data augmentation using generative networks to identify dementia
Title（参考訳）: 認知症識別のための生成ネットワークを用いたデータ拡張
Authors: Bahman Mirheidari, Yilin Pan, Daniel Blackburn, Ronan O'Malley, Traci Walker, Annalena Venneri, Markus Reuber, Heidi Christensen
Abstract要約: 生成モデルはデータ拡張の効果的なアプローチとして利用できることを示す。本稿では,認知症自動検出システムから抽出した音声と音声の異なる特徴に対する類似したアプローチの適用について検討する。
参考スコア（独自算出の注目度）: 20.137419355252362
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data limitation is one of the most common issues in training machine learning classifiers for medical applications. Due to ethical concerns and data privacy, the number of people that can be recruited to such experiments is generally smaller than the number of participants contributing to non-healthcare datasets. Recent research showed that generative models can be used as an effective approach for data augmentation, which can ultimately help to train more robust classifiers sparse data domains. A number of studies proved that this data augmentation technique works for image and audio data sets. In this paper, we investigate the application of a similar approach to different types of speech and audio-based features extracted from interactions recorded with our automatic dementia detection system. Using two generative models we show how the generated synthesized samples can improve the performance of a DNN based classifier. The variational autoencoder increased the F-score of a four-way classifier distinguishing the typical patient groups seen in memory clinics from 58% to around 74%, a 16% improvement
Abstract（参考訳）: データ制限は、医療応用のための機械学習分類器のトレーニングにおいて最も一般的な問題の1つである。倫理的懸念とデータプライバシのため、そのような実験に採用できる人数は、一般的に、非医療データセットに貢献する参加者の数よりも少ない。近年の研究では、生成モデルはデータ拡張の効果的なアプローチとして利用でき、最終的にはより堅牢な分類器の訓練に役立つことが示されている。多くの研究が、このデータ拡張技術が画像とオーディオデータセットに有効であることを証明した。本稿では,認知症自動検出システムで記録されたインタラクションから抽出した音声と音声の異なる特徴に対する類似したアプローチの適用について検討する。 2つの生成モデルを用いて、生成した合成サンプルがDNNベースの分類器の性能を改善する方法を示す。メモリクリニックで見られる典型的な患者群を58%から74%に区別する4方向分類器のFスコアを16%改善した。

関連論文リスト

Artificial Data Point Generation in Clustered Latent Space for Small Medical Datasets [4.542616945567623]
本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。 AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。顔の表情データを利用してパーキンソン病検診に応用した。
論文参考訳（メタデータ） (2024-09-26T09:51:08Z)
Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文参考訳（メタデータ） (2024-01-26T08:28:13Z)
Dialogue-Contextualized Re-ranking for Medical History-Taking [5.039849340960835]
本稿では,第1段階の質問候補を再ランク付けすることで,トレーニングと推論のギャップを埋める2段階の再ランク付け手法を提案する。専門家システムと比較して,提案するトランスフォーマーバックボーンを用いたグローバルリランカにより,最高の性能が得られることがわかった。
論文参考訳（メタデータ） (2023-04-04T17:31:32Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
Data Augmentation for Dementia Detection in Spoken Language [1.7324358447544175]
最近のディープラーニング技術はより高速な診断を提供し、有望な結果を示している。それらは大量のラベル付きデータを必要としており、認知症検出のタスクでは簡単には利用できない。スパースデータ問題に対する効果的な解決策の1つは、データ拡張であるが、正確なメソッドを慎重に選択する必要がある。
論文参考訳（メタデータ） (2022-06-26T13:40:25Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Exploiting Multi-Modal Features From Pre-trained Networks for Alzheimer's Dementia Recognition [16.006407253670396]
トレーニング済みネットワークから抽出した様々なマルチモーダル特徴を利用して、ニューラルネットワークを用いてアルツハイマー認知症を認識する。畳み込みリカレントニューラルネットワークに基づく構造を改良し,分類処理と回帰処理を同時に行う。評価結果がベースラインの精度を18.75%以上越え, 評価結果から, 4種類の認知障害を78.70%の精度で分類できる可能性が示唆された。
論文参考訳（メタデータ） (2020-09-09T02:08:47Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Surgical Mask Detection with Convolutional Neural Networks and Data Augmentations on Spectrograms [8.747840760772268]
人間の声のサンプルにおける手術用マスク検出の2値分類タスクに対するデータ拡張の効果を示す。結果、ComParEのベースラインのほとんどがパフォーマンスに優れていたことが判明した。
論文参考訳（メタデータ） (2020-08-11T09:02:47Z)
Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文参考訳（メタデータ） (2020-05-18T09:36:51Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。