論文の概要: An Open-Source Dataset on Dietary Behaviors and DASH Eating Plan
Optimization Constraints
- arxiv url: http://arxiv.org/abs/2010.07531v1
- Date: Thu, 15 Oct 2020 05:25:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 05:22:22.025223
- Title: An Open-Source Dataset on Dietary Behaviors and DASH Eating Plan
Optimization Constraints
- Title(参考訳): 食事行動とダッシュ摂食計画最適化制約に関するオープンソースデータセット
- Authors: Farzin Ahmadi, Fardin Ganjkhanloo, Kimia Ghobadi
- Abstract要約: 我々は、異なるグループの食行動、その人口統計、および既存の状況に基づいて、修正されたデータセットを提供する。
また,高血圧およびプレ糖尿病患者を対象に,標的食の利益を享受する興味のあるグループとして,調整したデータセットを提供する。
- 参考スコア(独自算出の注目度): 0.29298205115761694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear constrained optimization techniques have been applied to many
real-world settings. In recent years, inferring the unknown parameters and
functions inside an optimization model has also gained traction. This inference
is often based on existing observations and/or known parameters. Consequently,
such models require reliable, easily accessed, and easily interpreted examples
to be evaluated. To facilitate research in such directions, we provide a
modified dataset based on dietary behaviors of different groups of people,
their demographics, and pre-existing conditions, among other factors. This data
is gathered from the National Health and Nutrition Examination Survey (NHANES)
and complemented with the nutritional data from the United States Department of
Agriculture (USDA). We additionally provide tailored datasets for hypertension
and pre-diabetic patients as groups of interest who may benefit from targetted
diets such as the Dietary Approaches to Stop Hypertension (DASH) eating plan.
The data is compiled and curated in such a way that it is suitable as input to
linear optimization models. We hope that this data and its supplementary,
open-accessed materials can accelerate and simplify interpretations and
research on linear optimization and constrained inference models. The complete
dataset can be found in the following repository:
https://github.com/CSSEHealthcare/InverseLearning
- Abstract(参考訳): 線形制約最適化技術は多くの実世界の設定に適用されている。
近年,最適化モデル内で未知のパラメータや関数を推定する手法も注目されている。
この推論は、しばしば既存の観測や既知のパラメータに基づいている。
そのため、そのようなモデルは信頼性が高く、容易にアクセスでき、容易に解釈できる例を必要とする。
このような方向の研究を容易にするために,様々な集団の食事行動,その人口動態,および既存の条件に基づくデータセットの修正を行った。
このデータはnational health and nutrition examination survey (nhanes) から収集され、アメリカ合衆国農務省(usda)の栄養データと補完される。
また,高血圧およびプレ糖尿病患者を対象に,高血圧予防のための食事アプローチ(DASH)摂食計画などの目標食の恩恵を受けることができるグループとして,適切なデータセットを提供する。
データは線形最適化モデルへの入力として適するようにコンパイルされ、キュレートされる。
このデータとその補足的なオープンアクセス材料が、線形最適化と制約付き推論モデルに関する解釈と研究を加速し、単純化できることを願っている。
完全なデータセットは以下のリポジトリにある。 https://github.com/cssehealthcare/inverselearning。
関連論文リスト
- LESS: Selecting Influential Data for Targeted Instruction Tuning [69.50855460630105]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳(メタデータ) (2024-02-06T19:18:04Z) - Simulation-Enhanced Data Augmentation for Machine Learning Pathloss
Prediction [9.664420734674088]
本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。
本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。
合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
論文 参考訳(メタデータ) (2024-02-03T00:38:08Z) - Collinear datasets augmentation using Procrustes validation sets [0.0]
数値と混合データセットの増大のための新しい手法を提案する。
クロスバリデーション・リサンプリングと潜在変数モデリングを利用して追加のデータポイントを生成する。
特に、中程度から高いコリニアリティのデータセットでは効率的である。
論文 参考訳(メタデータ) (2023-12-08T09:07:11Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided
Gastrointestinal Disease Detection [6.231109933741383]
本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。
経験豊富なGI内科医によって注釈され、検証された。
我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
論文 参考訳(メタデータ) (2023-07-16T19:36:03Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Survival Prediction of Children Undergoing Hematopoietic Stem Cell
Transplantation Using Different Machine Learning Classifiers by Performing
Chi-squared Test and Hyper-parameter Optimization: A Retrospective Analysis [4.067706269490143]
効率的な生存率分類モデルが包括的に提示される。
欠落した値を入力し、ダミー変数符号化を用いてデータを変換し、チ二乗特徴選択を用いて59個の特徴から11個の最も相関した特徴にデータセットを圧縮することにより、合成データセットを生成する。
この点に関しては、決定木(Decision Tree)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、グラディエントブースティング(Gradient Boosting)、Ada Boost(Ada Boost)、XG Boost(XG Boost)など、いくつかの教師付きML手法が訓練された。
論文 参考訳(メタデータ) (2022-01-22T08:01:22Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - A Data Driven End-to-end Approach for In-the-wild Monitoring of Eating
Behavior Using Smartwatches [8.257740966456172]
本稿では, 食事中の食行動の自動化と, 食事の時間的局在のモデル化に向けて, 完全な枠組みを提案する。
食物摂取事象(すなわち噛み跡)を検出するエンドツーエンドニューラルネットワークを提案する。
食事の開始点と終了点を信号処理アルゴリズムを用いて推定するために,検出した噛み跡の1日を通して分布を推定する方法を示す。
論文 参考訳(メタデータ) (2020-10-12T12:35:56Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z)
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。