論文の概要: Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels
- arxiv url: http://arxiv.org/abs/2009.07738v3
- Date: Tue, 12 Jan 2021 15:54:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 23:20:44.776399
- Title: Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels
- Title(参考訳): ニューロシンボリック神経変性疾患の確率論的プログラムによるモデル化
- Authors: Alexander Lavin
- Abstract要約: 本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
- 参考スコア(独自算出の注目度): 93.58854458951431
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a probabilistic programmed deep kernel learning approach to
personalized, predictive modeling of neurodegenerative diseases. Our analysis
considers a spectrum of neural and symbolic machine learning approaches, which
we assess for predictive performance and important medical AI properties such
as interpretability, uncertainty reasoning, data-efficiency, and leveraging
domain knowledge. Our Bayesian approach combines the flexibility of Gaussian
processes with the structural power of neural networks to model biomarker
progressions, without needing clinical labels for training. We run evaluations
on the problem of Alzheimer's disease prediction, yielding results that surpass
deep learning in both accuracy and timeliness of predicting neurodegeneration,
and with the practical advantages of Bayesian nonparametrics and probabilistic
programming.
- Abstract(参考訳): 神経変性疾患のパーソナライズされた予測モデリングのための,確率的プログラムによる深層学習手法を提案する。
分析は、予測性能と、解釈可能性、不確実性推論、データ効率、ドメイン知識の活用といった重要な医療ai特性を評価する、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考察する。
我々のベイズ的アプローチは、ガウス的プロセスの柔軟性とニューラルネットワークの構造的パワーを組み合わせてバイオマーカーの進行をモデル化する。
アルツハイマー病予測の問題点について評価を行い、神経変性予測の正確性と時系列性の両方においてディープラーニングを上回り、ベイズ型非パラメトリックスと確率的プログラミングの実用的利点を生かした。
関連論文リスト
- Explainable Diagnosis Prediction through Neuro-Symbolic Integration [11.842565087408449]
我々は、診断予測のための説明可能なモデルを開発するために、神経象徴的手法、特に論理ニューラルネットワーク(LNN)を用いている。
私たちのモデル、特に$M_textmulti-pathway$と$M_textcomprehensive$は、従来のモデルよりも優れたパフォーマンスを示します。
これらの知見は、医療AI応用における精度と説明可能性のギャップを埋める神経象徴的アプローチの可能性を強調している。
論文 参考訳(メタデータ) (2024-10-01T22:47:24Z) - Statistical tuning of artificial neural network [0.0]
本研究では、ニューラルネットワークの理解を強化する方法を紹介し、特に1つの隠蔽層を持つモデルに焦点を当てる。
本稿では,入力ニューロンの意義を統計的に評価し,次元減少のためのアルゴリズムを提案する。
この研究は、ニューラルネットワークを解釈するための堅牢な統計フレームワークを提示することにより、説明可能な人工知能の分野を前進させる。
論文 参考訳(メタデータ) (2024-09-24T19:47:03Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳(メタデータ) (2024-09-17T04:48:45Z) - Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。
RFモデルは高次元データの処理において堅牢な性能を示す。
CNNは、がん検出において異常な精度を示している。
LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
論文 参考訳(メタデータ) (2024-08-05T09:41:34Z) - Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳(メタデータ) (2023-10-31T20:17:32Z) - A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。
GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。
提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文 参考訳(メタデータ) (2023-09-16T09:15:37Z) - Neural Networks from Biological to Artificial and Vice Versa [6.85316573653194]
この論文の主な貢献は、死んだニューロンが人工ニューラルネットワーク(ANN)の性能に与える影響についての研究である。
本研究の目的は, 生物学的領域における発見の潜在的適用性を評価することであり, 期待される結果は, 神経疾患に対する効果的な治療戦略の開発に重要な影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2023-06-05T17:30:07Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - 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)
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。