論文の概要: CLOCS: Contrastive Learning of Cardiac Signals Across Space, Time, and Patients

• arxiv url: http://arxiv.org/abs/2005.13249v3
• Date: Sun, 16 May 2021 13:12:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:29:50.748062
• Title: CLOCS: Contrastive Learning of Cardiac Signals Across Space, Time, and Patients
• Title（参考訳）: clocs:空間,時間,患者間における心臓信号のコントラスト学習
• Authors: Dani Kiyasseh, Tingting Zhu, David A. Clifton
• Abstract要約: 我々は,空間,時間,テキスト,患者間の表現が相互に類似することを奨励する,コントラスト学習手法であるCLOCSのファミリーを提案する。 CLOCSは、下流タスクの線形評価や微調整を行う際に、最先端のBYOLやSimCLRよりも一貫して優れていることを示す。 本訓練では,患者類似性の定量化に有効な患者特化表現を自然に生成する。
• 参考スコア（独自算出の注目度）: 17.58391771585294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The healthcare industry generates troves of unlabelled physiological data. This data can be exploited via contrastive learning, a self-supervised pre-training method that encourages representations of instances to be similar to one another. We propose a family of contrastive learning methods, CLOCS, that encourages representations across space, time, \textit{and} patients to be similar to one another. We show that CLOCS consistently outperforms the state-of-the-art methods, BYOL and SimCLR, when performing a linear evaluation of, and fine-tuning on, downstream tasks. We also show that CLOCS achieves strong generalization performance with only 25\% of labelled training data. Furthermore, our training procedure naturally generates patient-specific representations that can be used to quantify patient-similarity.
• Abstract（参考訳）: 医療産業は、未発達の生理的データを生み出している。 このデータは、インスタンスの表現を互いに類似させる自己教師あり事前学習法であるコントラスト学習によって活用できる。 そこで我々は,空間,時間, \textit{and} 患者間での表現を相互に類似させる,コントラスト学習法であるclocs のファミリーを提案する。 ダウンストリームタスクの線形評価や微調整を行う場合,clocsは最先端手法であるbyolとsimclrを一貫して上回っていることを示す。 また,CLOCSはラベル付きトレーニングデータの25倍の精度で高い一般化性能を達成できることを示した。 さらに,訓練は自然に患者固有の表現を生成し,患者間の類似性を定量化する。

関連論文リスト

• The Common Stability Mechanism behind most Self-Supervised Learning Approaches [64.40701218561921]
  自己指導型学習手法の安定性のメカニズムを説明するための枠組みを提供する。 我々は,BYOL,SWAV,SimSiam,Barlow Twins,DINOなどの非コントラスト技術であるSimCLRの動作メカニズムについて議論する。 私たちは異なる仮説を定式化し、Imagenet100データセットを使ってそれらをテストします。
  論文  参考訳（メタデータ） (2024-02-22T20:36:24Z)
• VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
  本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。 本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。 我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
  論文  参考訳（メタデータ） (2023-12-10T18:03:40Z)
• Learning Beyond Similarities: Incorporating Dissimilarities between Positive Pairs in Self-Supervised Time Series Learning [4.2807943283312095]
  本稿では,正の対間の相似性を統合することで,単なる類似性を超越するSSLアプローチの先駆者となる。 本フレームワークは心電図(ECG)信号に適用され,心房細動(AFib)の検出精度が,多彩な被験者に+10%向上した。
  論文  参考訳（メタデータ） (2023-09-14T08:49:35Z)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)
• 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)
• Evaluating Contrastive Learning on Wearable Timeseries for Downstream Clinical Outcomes [10.864821932376833]
  SimCLRやBYOLのような対照的な損失を利用する自己教師型アプローチは、高次元の健康信号に適用できる。 そこで本研究では,SimCLRが下流評価タスクの大部分において,逆数法と完全教師付き手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-13T10:48:17Z)
• 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)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• 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)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。