論文の概要: Fantastic Features and Where to Find Them: Detecting Cognitive Impairment with a Subsequence Classification Guided Approach

• arxiv url: http://arxiv.org/abs/2010.06579v1
• Date: Tue, 13 Oct 2020 17:57:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 22:43:48.424268
• Title: Fantastic Features and Where to Find Them: Detecting Cognitive Impairment with a Subsequence Classification Guided Approach
• Title（参考訳）: 素晴らしい特徴とそれを見つけるべき場所:サブシーケンス分類による認知障害の検出
• Authors: Benjamin Eyre, Aparna Balagopalan, Jekaterina Novikova
• Abstract要約: 本稿では、逐次機械学習モデルとドメイン知識を活用して、パフォーマンス向上に役立つ機能を予測する機能エンジニアリングの新しいアプローチについて説明する。 本手法により得られた特徴を用いた場合,CI分類精度が強いベースラインよりも2.3%向上することが実証された。
• 参考スコア（独自算出の注目度）: 6.063165888023164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the widely reported success of embedding-based machine learning methods on natural language processing tasks, the use of more easily interpreted engineered features remains common in fields such as cognitive impairment (CI) detection. Manually engineering features from noisy text is time and resource consuming, and can potentially result in features that do not enhance model performance. To combat this, we describe a new approach to feature engineering that leverages sequential machine learning models and domain knowledge to predict which features help enhance performance. We provide a concrete example of this method on a standard data set of CI speech and demonstrate that CI classification accuracy improves by 2.3% over a strong baseline when using features produced by this method. This demonstration provides an ex-ample of how this method can be used to assist classification in fields where interpretability is important, such as health care.
• Abstract（参考訳）: 自然言語処理タスクにおける埋め込みベースの機械学習手法の成功は広く報告されているが、より容易に解釈された特徴の使用は、認知障害(CI)検出などの分野では一般的である。 ノイズの多いテキストからの手動のエンジニアリング機能は時間とリソース消費であり、モデルパフォーマンスを向上しない機能をもたらす可能性がある。 そこで本研究では,逐次的機械学習モデルとドメイン知識を活用し,性能向上に役立つ特徴量を予測する,機能工学の新しいアプローチについて述べる。 本稿では,CI音声の標準データセット上で本手法の具体例を示し,この手法によって生成された特徴を用いた場合,CI分類精度が強いベースラインよりも2.3%向上することを示す。 このデモは、医療などの解釈が重要である分野の分類を支援するために、この方法がどのように使われるかの例を示している。

関連論文リスト

• Iterative Feature Boosting for Explainable Speech Emotion Recognition [17.568724398229232]
  本稿では,効率的な特徴工学手法に基づく新しい教師付きSER手法を提案する。 特徴の関連性を評価し,特徴セットを洗練させるために,結果の説明可能性に特に注意を払っている。 提案手法は,TESSデータセット上での感情認識において,ヒトレベルのパフォーマンス(HLP)および最先端の機械学習手法より優れる。
  論文  参考訳（メタデータ） (2024-05-30T15:44:27Z)
• Attribute-Aware Representation Rectification for Generalized Zero-Shot Learning [19.65026043141699]
  一般化ゼロショット学習(GZSL)は、一連の非バイアスの視覚-セマンティックマッピングを設計することによって、顕著な性能を得た。 本稿では,GZSLに対して,$mathbf(AR)2$という簡易かつ効果的な属性認識表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-23T11:30:32Z)
• Learning ECG signal features without backpropagation [0.0]
  時系列型データの表現を生成する新しい手法を提案する。 この方法は理論物理学の考えに頼り、データ駆動方式でコンパクトな表現を構築する。 本稿では,ECG信号分類の課題に対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-07-04T21:35:49Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Latent Properties of Lifelong Learning Systems [59.50307752165016]
  本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。 合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-07-28T20:58:13Z)
• Analysis of Self-Supervised Learning and Dimensionality Reduction Methods in Clustering-Based Active Learning for Speech Emotion Recognition [3.3670613441132984]
  本稿では,クラスタリングに基づくアクティブラーニング(AL)手法における特徴空間の構造の使い方を示す。 本稿では,クラスタリングに基づくALの関数化手法の探索において,CPCと多次元化手法を組み合わせる。 音声感情認識システム展開のシミュレーション実験により,特徴空間の局所的および大域的トポロジをALに応用できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-21T08:44:55Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• Optimizing Speech Emotion Recognition using Manta-Ray Based Feature Selection [1.4502611532302039]
  既存の特徴抽出手法を用いて抽出した特徴の連結により,分類精度が向上することを示す。 また,音声感情認識タスクにおけるマンタレイ最適化の新たな応用を行い,その結果を得た。
  論文  参考訳（メタデータ） (2020-09-18T16:09:34Z)

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。