論文の概要: Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control

• arxiv url: http://arxiv.org/abs/2010.06266v1
• Date: Tue, 13 Oct 2020 10:17:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:13:05.849107
• Title: Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control
• Title（参考訳）: 1D型血糖コントロールのためのモデルベース強化学習
• Authors: Taku Yamagata (1), Aisling O'Kane (1), Amid Ayobi (1), Dmitri Katz (2), Katarzyna Stawarz (3), Paul Marshall (1), Peter Flach (1) and Ra\'ul Santos-Rodr\'iguez (1) ((1) University of Bristol, (2) The Open University, (3) Cardiff University)
• Abstract要約: 本研究では,1型糖尿病患者のインスリン摂取量決定を支援するためのモデルベース強化学習について検討した。 提案アーキテクチャは、複数のEcho State Networksで構成され、計画のためのモデル予測コントローラと組み合わせて血糖値を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we investigate the use of model-based reinforcement learning to assist people with Type 1 Diabetes with insulin dose decisions. The proposed architecture consists of multiple Echo State Networks to predict blood glucose levels combined with Model Predictive Controller for planning. Echo State Network is a version of recurrent neural networks which allows us to learn long term dependencies in the input of time series data in an online manner. Additionally, we address the quantification of uncertainty for a more robust control. Here, we used ensembles of Echo State Networks to capture model (epistemic) uncertainty. We evaluated the approach with the FDA-approved UVa/Padova Type 1 Diabetes simulator and compared the results against baseline algorithms such as Basal-Bolus controller and Deep Q-learning. The results suggest that the model-based reinforcement learning algorithm can perform equally or better than the baseline algorithms for the majority of virtual Type 1 Diabetes person profiles tested.
• Abstract（参考訳）: 本稿では,インスリン投与量決定を伴う1型糖尿病患者を支援するモデルベース強化学習について検討する。 提案されたアーキテクチャは、血糖値を予測する複数のエコー状態ネットワークと、計画のためのモデル予測コントローラから構成される。 Echo State Networkはリカレントニューラルネットワークのバージョンであり、時系列データの入力における長期的依存関係をオンラインで学習することができる。 さらに,よりロバストな制御のための不確実性の定量化にも対処する。 ここでは,エコー状態ネットワークのアンサンブルを用いてモデルの不確かさを捉えた。 FDAが承認したUVa/Padova Type 1 Diabetesシミュレータを用いてアプローチを評価し,Basal-BolusコントローラやDeep Q-learningなどのベースラインアルゴリズムと比較した。 その結果、モデルに基づく強化学習アルゴリズムは、テストされた仮想型1型糖尿病者プロファイルの大部分のベースラインアルゴリズムと同等またはそれ以上の性能を発揮することが示唆された。

関連論文リスト

• A Deep Learning Approach to Diabetes Diagnosis [6.4583894027770254]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes Management [4.107887387754702]
  血糖シミュレーションにより、患者に害を与えずに1型糖尿病(T1D)管理戦略を評価できる。 ディープラーニングアルゴリズムは、シミュレータ機能を拡張するための有望な道を提供する。 この研究は、現実世界のデータに基づいて訓練されたディープラーニングアルゴリズムを用いてグルコースダイナミクスをモデル化することの意味について考察する。
  論文  参考訳（メタデータ） (2023-10-23T09:25:50Z)
• 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)
• Characterizing and overcoming the greedy nature of learning in multi-modal deep neural networks [62.48782506095565]
  深層ニューラルネットワークにおける学習の欲張った性質から、モデルは一つのモダリティにのみ依存する傾向にあり、他のモダリティには不適合であることを示す。 本稿では,学習中のモーダル間の条件付き学習速度のバランスをとるアルゴリズムを提案し,グリージー学習の問題に対処できることを実証する。
  論文  参考訳（メタデータ） (2022-02-10T20:11:21Z)
• FEDI: Few-shot learning based on Earth Mover's Distance algorithm combined with deep residual network to identify diabetic retinopathy [3.6623193507510012]
  本稿では,Earth Moverのアルゴリズムをベースとした,糖尿病網膜症の診断支援を目的とした深部残像ネットワークの複数ショット学習モデルを提案する。 我々は,1000サンプルデータの39カテゴリに基づいて,数ショット学習のためのトレーニングと検証の分類タスクを構築し,深層残留ネットワークを訓練し,経験的事前学習モデルを得る。 事前学習モデルの重みに基づいて、Earth MoverのDistanceアルゴリズムは画像間の距離を計算し、画像間の類似性を求め、モデルのパラメータを変更してトレーニングモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2021-08-22T13:05:02Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
  糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
  論文  参考訳（メタデータ） (2020-09-08T13:20:15Z)
• Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification [0.0]
  糖尿病網膜症 (Diabetes Mellitus) は糖尿病の微小血管合併症の1つである。 コナールニューラルネットワークに基づく計算モデルは、眼底画像を用いたDRの自動検出技術の現状を表す。 本稿では,DR診断と不確実性定量化のためのハイブリッドディープラーニング・ガウス法を提案する。
  論文  参考訳（メタデータ） (2020-07-29T04:10:42Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。