論文の概要: Hidden Markov models as recurrent neural networks: an application to Alzheimer's disease

• arxiv url: http://arxiv.org/abs/2006.03151v4
• Date: Fri, 1 Oct 2021 21:47:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 09:51:38.513745
• Title: Hidden Markov models as recurrent neural networks: an application to Alzheimer's disease
• Title（参考訳）: 繰り返しニューラルネットワークとしての隠れマルコフモデル-アルツハイマー病への応用
• Authors: Matt Baucum, Anahita Khojandi, Theodore Papamarkou
• Abstract要約: 我々は、ニューラルネットワークの柔軟性とHMMの解釈可能性を組み合わせた、リカレントニューラルネットワークの特殊なケースを開発する。 HMRNNは、同一の正則関数とパラメータ解釈を持つ標準HMMに還元することができる。 我々は、HMRNNがHMMと他の予測ニューラルネットワークを組み合わせることで、疾患予測を改善し、新しい臨床解釈を提供する方法を実証する。
• 参考スコア（独自算出の注目度）: 4.792577969243023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hidden Markov models (HMMs) are commonly used for disease progression modeling when the true patient health state is not fully known. Since HMMs typically have multiple local optima, incorporating additional patient covariates can improve parameter estimation and predictive performance. To allow for this, we develop hidden Markov recurrent neural networks (HMRNNs), a special case of recurrent neural networks that combine neural networks' flexibility with HMMs' interpretability. The HMRNN can be reduced to a standard HMM, with an identical likelihood function and parameter interpretations, but it can also combine an HMM with other predictive neural networks that take patient information as input. The HMRNN estimates all parameters simultaneously via gradient descent. Using a dataset of Alzheimer's disease patients, we demonstrate how the HMRNN can combine an HMM with other predictive neural networks to improve disease forecasting and to offer a novel clinical interpretation compared with a standard HMM trained via expectation-maximization.
• Abstract（参考訳）: 隠れマルコフモデル(HMM)は、真の患者の健康状態が完全には分かっていないときに、疾患進行モデリングに一般的に使用される。 HMMは一般に複数の局所最適値を持つため、追加の患者共変分を組み込むことでパラメータ推定と予測性能が向上する。 これを可能にするために,隠れマルコフ再帰ニューラルネットワーク(HMRNN)を開発した。これは,ニューラルネットワークの柔軟性とHMMの解釈可能性を組み合わせた,リカレントニューラルネットワークの特殊な例である。 HMRNNは、同一の仮説関数とパラメータ解釈を持つ標準的なHMMに還元できるが、HMMと他の予測ニューラルネットワークを組み合わせて、患者情報を入力として取ることもできる。 HMRNNは勾配降下によって全てのパラメータを同時に推定する。 アルツハイマー病患者のデータセットを用いて、HMRNNがHMMと他の予測ニューラルネットワークを組み合わせることで、疾患予測を改善し、予測最大化によってトレーニングされた標準HMMと比較して、新しい臨床解釈を提供する方法を示す。

関連論文リスト

• Learning Successor Features with Distributed Hebbian Temporal Memory [44.99833362998488]
  本稿では,不確実性を考慮した意思決定におけるオンライン時間記憶学習の課題に対して,新しいアプローチを提案する。 提案アルゴリズムは因子グラフ形式と多成分ニューロンモデルに基づく分散Hebbian Temporal Memory (DHTM) である。 実験の結果,非定常データセットの場合,DHTMはLSTMと生物学的にインスパイアされたHMMライクなアルゴリズムCSCGより優れていた。
  論文  参考訳（メタデータ） (2023-10-20T10:03:14Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Why Do Pretrained Language Models Help in Downstream Tasks? An Analysis of Head and Prompt Tuning [66.44344616836158]
  本稿では,事前学習タスクと下流タスクをテキストの潜在変数生成モデルに関連付ける分析フレームワークを提案する。 HMMの特定の非退化条件下では、単純な分類ヘッドがダウンストリームタスクを解くことができ、また、迅速なチューニングにより、より弱い非退化条件で下流の保証を得ることができ、さらに、メモリ拡張HMMの回復保証がバニラHMMよりも強いことを示す。
  論文  参考訳（メタデータ） (2021-06-17T03:31:47Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Adaptable Hamiltonian neural networks [0.0]
  Hamiltonian Neural Networks (HNN) は物理学で強化されたニューラルネットワークの主要なクラスである。 非線形物理系の適応予測が可能なHNNのクラスを紹介します。 我々は,パラメータ認識型HNNがカオスへの移行経路を予測できることを示した。
  論文  参考訳（メタデータ） (2021-02-25T23:53:51Z)
• Robust Classification using Hidden Markov Models and Mixtures of Normalizing Flows [25.543231171094384]
  我々は,隠れマルコフモデル(HMM)の状態遷移と,隠れたHMMの状態に対するニューラルネットワークに基づく確率分布を組み合わせた生成モデルを用いる。 音声認識への応用におけるNMM-HMM分類器の堅牢性の改善を検証する。
  論文  参考訳（メタデータ） (2021-02-15T00:40:30Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Going deeper with brain morphometry using neural networks [18.851541271793085]
  深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。 我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-07T07:57:13Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。