論文の概要: CLOPS: Continual Learning of Physiological Signals
- arxiv url: http://arxiv.org/abs/2004.09578v2
- Date: Sat, 28 Nov 2020 17:05:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 17:51:54.392520
- Title: CLOPS: Continual Learning of Physiological Signals
- Title（参考訳）: CLOPS:生理信号の継続的な学習
- Authors: Dani Kiyasseh, Tingting Zhu, David A. Clifton
- Abstract要約: 我々はリプレイに基づく連続学習戦略であるCLOPSを提案する。
我々は,CLOPSが最先端の手法であるGEMとMIRより優れていることを示す。
エンドツーエンドのトレーニング可能なパラメータは、タスクの難易度と類似度を定量化するために使用することができる。
- 参考スコア（独自算出の注目度）: 17.58391771585294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning algorithms are known to experience destructive interference
when instances violate the assumption of being independent and identically
distributed (i.i.d). This violation, however, is ubiquitous in clinical
settings where data are streamed temporally and from a multitude of
physiological sensors. To overcome this obstacle, we propose CLOPS, a
replay-based continual learning strategy. In three continual learning scenarios
based on three publically-available datasets, we show that CLOPS can outperform
the state-of-the-art methods, GEM and MIR. Moreover, we propose end-to-end
trainable parameters, which we term task-instance parameters, that can be used
to quantify task difficulty and similarity. This quantification yields insights
into both network interpretability and clinical applications, where task
difficulty is poorly quantified.
- Abstract（参考訳）: 深層学習アルゴリズムは、独立性や同一分散性(d)の仮定に違反した場合、破壊的な干渉を経験することが知られている。
しかし、この違反は、データが時間的および多くの生理的センサーからストリーミングされる臨床環境では普遍的である。
この障害を克服するため,リプレイ型連続学習戦略であるCLOPSを提案する。
公開可能な3つのデータセットに基づく3つの連続学習シナリオにおいて、CLOPSは最先端の手法であるGEMとMIRより優れていることを示す。
さらに,タスクの難易度と類似度を定量化するために,タスクインスタンスパラメータと呼ばれるエンドツーエンドのトレーニング可能なパラメータを提案する。
この定量化は、ネットワーク解釈可能性と、タスクの難易度が十分に定量化されていない臨床応用の両方に関する洞察を与える。
関連論文リスト
- Learning Representations of Instruments for Partial Identification of Treatment Effects [23.811079163083303]
我々は任意の(潜在的に高次元の)機器を用いて条件平均処理効果(CATE)の限界を推定する。
本稿では,楽器を離散表現空間にマッピングする手法を提案する。
我々は、潜在楽器空間のニューラルネットワーク分割を調整し、厳密な境界を学習する2段階の手順を導出する。
論文 参考訳（メタデータ） (2024-10-11T16:48:32Z) - Parameter-Efficient Fine-Tuning for Continual Learning: A Neural Tangent Kernel Perspective [125.00228936051657]
本稿では,タスク関連機能を適応的に生成しながら,タスク固有のパラメータ記憶を不要にする新しいフレームワークNTK-CLを紹介する。
最適化可能なパラメータを適切な正規化で微調整することにより、NTK-CLは確立されたPEFT-CLベンチマーク上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-07-24T09:30:04Z) - Accounting For Informative Sampling When Learning to Forecast Treatment
Outcomes Over Time [66.08455276899578]
適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。
逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。
本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
論文 参考訳（メタデータ） (2023-06-07T08:51:06Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Causal Deep Reinforcement Learning Using Observational Data [11.790171301328158]
深部強化学習(DRL)における2つの解答法を提案する。
提案手法はまず, 因果推論法に基づいて異なる試料の重要度を算出し, 損失関数に対する異なる試料の影響を調整する。
本手法の有効性を実証し,実験的に検証する。
論文 参考訳（メタデータ） (2022-11-28T14:34:39Z) - Task-Agnostic Continual Reinforcement Learning: Gaining Insights and
Overcoming Challenges [27.474011433615317]
連続学習(CL)は、一連のタスクから学習するモデルやエージェントの開発を可能にする。
タスクに依存しないCLとマルチタスク(MTL)エージェントのパフォーマンス差に寄与する要因について検討する。
論文 参考訳（メタデータ） (2022-05-28T17:59:00Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Sample-Efficient Reinforcement Learning via Counterfactual-Based Data
Augmentation [15.451690870640295]
医療などのいくつかのシナリオでは、通常、各患者に利用可能なレコードはごくわずかであり、現在の強化学習アルゴリズムの適用を妨げる。
構造因果モデル(SCM)を利用して状態ダイナミクスをモデル化する,データ効率の高いRLアルゴリズムを提案する。
本研究は, 軽度条件下では反実結果が識別可能であり, 反実に基づく拡張データセット上のq学習が最適値関数に収束することを示す。
論文 参考訳（メタデータ） (2020-12-16T17:21:13Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Structure learning for CTBN's via penalized maximum likelihood methods [2.997206383342421]
我々は,より困難な課題である構造学習問題について検討し,その課題に関する既存の研究は限られている。
我々のアルゴリズムは、穏やかな規則性条件下で、高い確率でグラフの依存構造を認識することを証明している。
論文 参考訳（メタデータ） (2020-06-13T14:28:19Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。