論文の概要: A combination of 'pooling' with a prediction model can reduce by 73% the
number of COVID-19 (Corona-virus) tests
- arxiv url: http://arxiv.org/abs/2005.03453v3
- Date: Tue, 12 May 2020 11:48:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 06:24:02.429656
- Title: A combination of 'pooling' with a prediction model can reduce by 73% the
number of COVID-19 (Corona-virus) tests
- Title(参考訳): プール」と予測モデルの組み合わせは、covid-19(コロナウイルス)検査の数を73%削減できる
- Authors: Tomer Cohen, Lior Finkelman, Gal Grimberg, Gadi Shenhar, Ofer
Strichman, Yonatan Strichman, Stav Yeger
- Abstract要約: 予測モデル(ニューラルネットワークに基づく)と新しいテストプール法(元のDorfman法よりも優れ、ダブルプールよりも優れている)を組み合わせることで、Covid-19テストの数を73%削減できることを示す。
- 参考スコア(独自算出の注目度): 1.547042433660102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We show that combining a prediction model (based on neural networks), with a
new method of test pooling (better than the original Dorfman method, and better
than double-pooling) called 'Grid', we can reduce the number of Covid-19 tests
by 73%.
- Abstract(参考訳): ニューラルネットワークに基づく予測モデルと,'Grid'と呼ばれる新しいテストプール法(元のDorfman法ではなく,ダブルプール法よりも優れている)を組み合わせることで,Covid-19テストの数を73%削減できることを示す。
関連論文リスト
- Rock Classification Based on Residual Networks [4.256045122451066]
岩盤分類の問題に対処するために,残差ニューラルネットワークを用いた2つのアプローチを提案する。
ResNet34に基づくカーネルサイズや正規化メソッド,コンポジションを変更することで,テストデータセット上での精度を70.1%向上する。
マルチヘッド・セルフ・アテンションを組み込んだBoTNetのようなバックボーンを使って、モデルの内部残余接続も利用しています。
これにより、モデルのパフォーマンスが向上し、テストデータセットで73.7%の精度が達成される。
論文 参考訳(メタデータ) (2024-02-19T04:45:15Z) - Using Neural Networks for Novelty-based Test Selection to Accelerate
Functional Coverage Closure [0.0]
本稿では,ニューラルネットワークに基づく新しいテスト選択のための,高度に自動化されたフレームワークを提案する。
このフレームワークの3つの構成は、商用信号処理ユニットでテストされる。
3つともランダムなテスト選択に勝り、シミュレーションの最大の節約率は49.37%であり、99.5%にまで達した。
論文 参考訳(メタデータ) (2022-07-01T14:11:08Z) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳(メタデータ) (2022-06-21T17:27:27Z) - CaCo: Both Positive and Negative Samples are Directly Learnable via
Cooperative-adversarial Contrastive Learning [45.68097757313092]
クエリアンカーが与えられた負のサンプルと正のサンプルを区別することで、エンコーダを訓練する。
比較損失の最小化と最大化により, 正および負のサンプルを協調的に, 対角的に学習できることが示唆された。
提案手法は、ImageNet1K上で事前トレーニングされたResNet-50バックボーンの200と800のエポックに対して、トップ1の精度で71.3%と75.3%を達成する。
論文 参考訳(メタデータ) (2022-03-27T18:50:39Z) - COVID-19 Detection through Deep Feature Extraction [0.0]
本研究は,ネットワークのバックボーンとして機能するResNet50を,ヘッドモデルとしてロジスティック回帰と組み合わせた,深い特徴抽出手法を用いた新しいアプローチを提案する。
提案モデルでは、新型コロナウイルスおよび正常X線画像クラスにおいて、100%のクロスバリデーション精度を実現する。
論文 参考訳(メタデータ) (2021-11-21T08:32:08Z) - DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with
Gradient-Disentangled Embedding Sharing [117.41016786835452]
本稿では,DeBERTaモデルの改良を目的とした,事前学習型言語モデルDeBERTaV3を提案する。
ELECTRAでのバニラ埋め込み共有は、トレーニング効率とモデルパフォーマンスを損なう。
そこで本研究では、タグ・オブ・ウォーのダイナミクスを回避するために、新しい勾配距離の埋め込み方式を提案する。
論文 参考訳(メタデータ) (2021-11-18T06:48:00Z) - End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。
本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文 参考訳(メタデータ) (2021-01-07T01:13:00Z) - Positive-Congruent Training: Towards Regression-Free Model Updates [87.25247195148187]
画像分類において、サンプルワイドの不整合は「負のフリップ」として現れる
新しいモデルは、古い(参照)モデルによって正しく分類されたテストサンプルの出力を誤って予測する。
そこで本研究では,PC トレーニングのための簡易なアプローチである Focal Distillation を提案する。
論文 参考訳(メタデータ) (2020-11-18T09:00:44Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - Robust Ensemble Model Training via Random Layer Sampling Against
Adversarial Attack [38.1887818626171]
本稿では,深層ニューラルネットワークのロバスト性を改善するために,ランダム層サンプリングを用いたアンサンブルモデルトレーニングフレームワークを提案する。
提案するトレーニングフレームワークでは,ランダム層サンプリングにより種々のサンプルモデルを生成し,サンプルモデルの重みを更新する。
アンサンブルモデルが訓練された後、効率よく勾配を隠蔽し、勾配に基づく攻撃を避けることができる。
論文 参考訳(メタデータ) (2020-05-21T16:14:18Z) - Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。
これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。
画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-31T06:03:51Z)
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。