論文の概要: SLEDGE-Z: A Zero-Shot Baseline for COVID-19 Literature Search

• arxiv url: http://arxiv.org/abs/2010.05987v1
• Date: Mon, 12 Oct 2020 19:28:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 07:36:23.791257
• Title: SLEDGE-Z: A Zero-Shot Baseline for COVID-19 Literature Search
• Title（参考訳）: SLEDGE-Z: 新型コロナウイルスの文献検索のためのゼロショットベースライン
• Authors: Sean MacAvaney, Arman Cohan, Nazli Goharian
• Abstract要約: 新型コロナウイルス関連の科学的文献に適応するゼロショットランキングアルゴリズムを提案する。 TREC-COVIDデータに依存しないにもかかわらず、我々の手法はモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 40.443716693689794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With worldwide concerns surrounding the Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), there is a rapidly growing body of scientific literature on the virus. Clinicians, researchers, and policy-makers need to be able to search these articles effectively. In this work, we present a zero-shot ranking algorithm that adapts to COVID-related scientific literature. Our approach filters training data from another collection down to medical-related queries, uses a neural re-ranking model pre-trained on scientific text (SciBERT), and filters the target document collection. This approach ranks top among zero-shot methods on the TREC COVID Round 1 leaderboard, and exhibits a P@5 of 0.80 and an nDCG@10 of 0.68 when evaluated on both Round 1 and 2 judgments. Despite not relying on TREC-COVID data, our method outperforms models that do. As one of the first search methods to thoroughly evaluate COVID-19 search, we hope that this serves as a strong baseline and helps in the global crisis.
• Abstract（参考訳）: 重症急性呼吸症候群 コロナウイルス2 (SARS-CoV-2) を取り巻く世界的な懸念から、このウイルスに関する科学的文献は急速に増えている。 臨床医、研究者、政策立案者はこれらの論文を効果的に検索できる必要がある。 本研究では,新型コロナウイルス関連科学文献に適応したゼロショットランキングアルゴリズムを提案する。 我々のアプローチは、他のコレクションから医療関連クエリまで、トレーニングデータをフィルタリングし、科学テキスト(SciBERT)で事前訓練されたニューラルリグレードモデルを使用し、対象のドキュメントコレクションをフィルタリングする。 このアプローチは、trec covid round 1 leaderboardのゼロショットメソッドの中でトップにランクインし、第1ラウンドと第2ラウンドの両方で評価すると、0.80のp@5と0.68のndcg@10を示す。 TREC-COVIDデータに依存しないにもかかわらず、我々の手法はモデルよりも優れています。 新型コロナウイルス(COVID-19)の検索を徹底的に評価する最初の方法の1つとして、強力なベースラインとして機能し、世界的な危機に役立てることを願っています。

関連論文リスト

• covLLM: Large Language Models for COVID-19 Biomedical Literature [0.0]
  新型コロナウイルス(COVID-19)のパンデミックは、新型コロナウイルス研究の爆発にもかかわらず、米国で11万人の死者を出した。 一つの理由は、患者に圧倒された臨床医が、新型コロナウイルスの感染率を抑えるのに苦労しているからだ。 潜在的な解決策は、大規模な言語モデルを用いて、新型コロナウイルスの文献を評価するツールを開発することである。
  論文  参考訳（メタデータ） (2023-06-08T04:08:32Z)
• COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
  胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。 説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。 結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
  論文  参考訳（メタデータ） (2021-01-19T03:04:09Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Clustering COVID-19 Lung Scans [3.5447971809011882]
  グループは、新型コロナウイルス、ウイルス性肺炎、健康な人の肺がんのデータセットを調査するために、教師なしのクラスタリング技術を適用した。 本手法は,非監視的クラスタリングアルゴリズムが,新型コロナウイルスと他の呼吸器疾患の隠れた重要な違いを明らかにする必要がある可能性を探るものである。
  論文  参考訳（メタデータ） (2020-09-05T00:21:13Z)
• 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)
• CO-Search: COVID-19 Information Retrieval with Semantic Search, Question Answering, and Abstractive Summarization [53.67205506042232]
  CO-Searchは、新型コロナウイルスの文献上の複雑なクエリを処理するように設計された、レトリバーランサーセマンティック検索エンジンである。 ドメイン固有の比較的限られたデータセットを考慮し、文書の段落と引用の2部グラフを生成する。 TREC-COVID情報検索課題のデータに基づいて,本システムの評価を行った。
  論文  参考訳（メタデータ） (2020-06-17T01:32:48Z)
• COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on Chest X-Ray images [0.0]
  現在、コロナウイルス(COVID-19)はRT-PCR検査、CTスキャン、胸部X線画像(CXR)を用いて診断されている。 ディープラーニングニューラルネットワークは、新型コロナウイルスのトリアージシステムを構築する大きな可能性を秘めている。 i) 最新の新型コロナウイルス分類モデルによって達成された高い感度をデミスティフィケーションし、(ii) スペインのグラナダにある病院大学Cl'inico San Cecilioと密接に協力し、COVIDGR-1.0を構築し、(iii) COVID Smart Data based Network(COVID-SD)を提案する。
  論文  参考訳（メタデータ） (2020-06-02T06:18:34Z)
• SLEDGE: A Simple Yet Effective Baseline for COVID-19 Scientific Knowledge Search [40.443716693689794]
  本稿では,SciBERTを有効活用したSLEDGEという検索システムを提案する。 一般ドメインの回答ランキングデータセット上でモデルをトレーニングし、関連信号をSARS-CoV-2に転送して評価する。
  論文  参考訳（メタデータ） (2020-05-05T17:51:27Z)

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。