論文の概要: Deep Double-Side Learning Ensemble Model for Few-Shot Parkinson Speech Recognition

• arxiv url: http://arxiv.org/abs/2006.11593v1
• Date: Sat, 20 Jun 2020 15:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 22:30:24.800095
• Title: Deep Double-Side Learning Ensemble Model for Few-Shot Parkinson Speech Recognition
• Title（参考訳）: パーキンソン音声認識のためのディープダブルサイド学習アンサンブルモデル
• Authors: Yongming Li, Lang Zhou, Lingyun Qin, Yuwei Zeng, Yuchuan Liu, Yan Lei, Pin Wang, Fan Li
• Abstract要約: 音声データに基づくパーキンソン病の診断と治療効果の評価は非常に重要である。 ディープラーニングは自動的な特徴抽出に長けており、数発の学習問題に悩まされている。 本稿では、音声特徴やサンプルを深く同時に再構成できる深層二面学習アンサンブルモデルを提案する。
• 参考スコア（独自算出の注目度）: 16.217992171386737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnosis and therapeutic effect assessment of Parkinson disease based on voice data are very important,but its few-shot learning problem is challenging.Although deep learning is good at automatic feature extraction, it suffers from few-shot learning problem. Therefore, the general effective method is first conduct feature extraction based on prior knowledge, and then carry out feature reduction for subsequent classification. However, there are two major problems: 1) Structural information among speech features has not been mined and new features of higher quality have not been reconstructed. 2) Structural information between data samples has not been mined and new samples with higher quality have not been reconstructed. To solve these two problems, based on the existing Parkinson speech feature data set, a deep double-side learning ensemble model is designed in this paper that can reconstruct speech features and samples deeply and simultaneously. As to feature reconstruction, an embedded deep stacked group sparse auto-encoder is designed in this paper to conduct nonlinear feature transformation, so as to acquire new high-level deep features, and then the deep features are fused with original speech features by L1 regularization feature selection method. As to speech sample reconstruction, a deep sample learning algorithm is designed in this paper based on iterative mean clustering to conduct samples transformation, so as to obtain new high-level deep samples. Finally, the bagging ensemble learning mode is adopted to fuse the deep feature learning algorithm and the deep samples learning algorithm together, thereby constructing a deep double-side learning ensemble model. At the end of this paper, two representative speech datasets of Parkinson's disease were used for verification. The experimental results show that the proposed algorithm are effective.
• Abstract（参考訳）: 音声データに基づくパーキンソン病の診断・治療効果評価は非常に重要であるが,その数少ない学習課題は困難である。ディープラーニングは自動特徴抽出に長けているが,わずかな学習問題に苦しむ。 そこで,本手法は,まず先行知識に基づいて特徴抽出を行い,その後分類のための特徴抽出を行う。 しかし、大きな問題は2つあります。 1) 音声特徴間の構造情報は掘り下げられず, 高品質の新たな特徴は再構築されていない。 2)データサンプル間の構造情報はマイニングされておらず,高品質な新しいサンプルは再構築されていない。 これら2つの問題を解決するために,既存のパーキンソン音声特徴データに基づいて,音声特徴とサンプルを深く同時に再構築可能な深層2面学習アンサンブルモデルを構築した。 特徴の再構成について, 非線形特徴変換を行うために, 組込み深層群スパースオートエンコーダを設計, 新たな高レベル深層特徴の獲得を目的として, l1正規化特徴選択法により, 深層特徴を元の音声特徴と融合させる。 音声サンプル再構成では, サンプル変換を行うために, 繰り返し平均クラスタリングをベースとしたディープサンプル学習アルゴリズムを設計し, 新たな高レベルディープサンプルを得る。 最後に、袋詰めアンサンブル学習モードを採用し、深層特徴学習アルゴリズムと深層サンプル学習アルゴリズムを融合させ、深層二重学習アンサンブルモデルを構築する。 この論文の終わりにパーキンソン病の2つの代表的な音声データセットが検証に使用された。 実験の結果,提案アルゴリズムの有効性が示された。

関連論文リスト

• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Online Deep Learning from Doubly-Streaming Data [17.119725174036653]
  本稿では,データストリームが常に進化する特徴空間によって記述される,二重ストリームデータによる新たなオンライン学習問題について検討する。 この課題を克服するもっともらしいアイデアは、進化する機能空間間の関係を確立することである。 従来の特徴空間と新しい特徴空間から情報を要約するために,共有潜在部分空間が発見された新しいOLD3Sパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-04-25T17:06:39Z)
• Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework [24.46388892324129]
  提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。 本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-26T06:09:56Z)
• Subject Envelope based Multitype Reconstruction Algorithm of Speech Samples of Parkinson's Disease [9.201534250475934]
  パーキンソン病(PD)のリスクは極めて深刻であり,現在PD音声認識は有効な診断方法である。 病期, コーパス, その他の因子がデータ収集に与える影響により, PDの状態を反映する1つの被験者内のすべてのサンプルの能力は様々である。 本稿では,多型再構成演算子に基づくPD音声サンプル変換アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-23T04:20:51Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• 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)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)
• Hybrid Embedded Deep Stacked Sparse Autoencoder with w_LPPD SVM Ensemble [13.981652331491558]
  本稿では,新しいディープオートエンコーダについて述べる。 トレーニング中にオリジナルの機能を埋め込んで、弱い隠蔽層出力をフィルタリングすることで、差別的な深い特徴を学習することができる。 実験の結果,提案した特徴学習法は,他の既存および最先端の特徴学習アルゴリズムと比較して,優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2020-02-17T04:06:05Z)

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。