論文の概要: Loss-analysis via Attention-scale for Physiologic Time Series

• arxiv url: http://arxiv.org/abs/2010.12690v2
• Date: Sun, 8 Nov 2020 20:37:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 00:30:36.779063
• Title: Loss-analysis via Attention-scale for Physiologic Time Series
• Title（参考訳）: 生理的時系列の注意尺度による損失分析
• Authors: Jiawei Yang and Jeffrey M. Hausdorff
• Abstract要約: 本稿では,注目尺度による損失分析という時系列解析手法を提案する。 これは老化、病気、その他の生理学的現象を研究するのに用いられる。
• 参考スコア（独自算出の注目度）: 1.8698143552759985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physiologic signals have properties across multiple spatial and temporal scales, which can be shown by the complexity-analysis of the coarse-grained physiologic signals by scaling techniques such as the multiscale. Unfortunately, the results obtained from the coarse-grained signals by the multiscale may not fully reflect the properties of the original signals because there is a loss caused by scaling techniques and the same scaling technique may bring different losses to different signals. Another problem is that multiscale does not consider the key observations inherent in the signal. Here, we show a new analysis method for time series called the loss-analysis via attention-scale. We show that multiscale is a special case of attention-scale. The loss-analysis can complement to the complexity-analysis to capture aspects of the signals that are not captured using previously developed measures. This can be used to study ageing, diseases, and other physiologic phenomenon.
• Abstract（参考訳）: 生理的信号は、複数の空間的および時間的スケールにまたがる特性を持ち、マルチスケールのようなスケーリング技術による粗粒の生理的信号の複雑性分析によって示される。 残念ながら、マルチスケールによって粗粒信号から得られた結果は、スケーリング技術による損失があり、同じスケーリング技術が異なる信号に異なる損失をもたらすため、元の信号の特性を完全に反映するものではない。 もう一つの問題は、マルチスケールが信号に固有の重要な観測を考慮していないことである。 本稿では,アテンションスケールによる損失分析という時系列解析手法を提案する。 マルチスケールは注意尺度の特別な場合であることを示す。 損失分析は、以前開発された測度で捉えられなかった信号の側面を捉えるために複雑さ分析を補完することができる。 これは老化、疾患、その他の生理現象を研究するのに使うことができる。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• A sensitivity analysis to quantify the impact of neuroimaging preprocessing strategies on subsequent statistical analyses [0.04924932828166548]
  複数のパイプラインの結果を集約できる統計解析ツールと、パイプライン間の仮説に対する感度分析テストを提供する。 提案するフレームワークは汎用的で,任意のマルチバースシナリオに適用可能である。
  論文  参考訳（メタデータ） (2024-04-23T10:09:32Z)
• Adversarial Perturbations of Physical Signals [0.0]
  我々は、ソースと干渉器が検出器への波として伝播する信号を発信するシナリオを考察する。 我々は、受信信号のスペクトルに対する摂動がほとんど知覚できないにもかかわらず、検出器がソースを誤分類する干渉信号を構築する。 実験により,様々な機械学習モデルに対して,効果的かつ物理的に実現可能な対向摂動を計算できることが実証された。
  論文  参考訳（メタデータ） (2024-02-27T00:41:00Z)
• Time Scale Network: A Shallow Neural Network For Time Series Data [18.46091267922322]
  時系列データは、しばしば複数の時間スケールで情報で構成されている。 この情報を捉えるためのディープラーニング戦略は存在するが、ネットワークを大きくし、より多くのデータを必要とし、計算を要求されやすく、解釈が難しいものが多い。 本稿では,離散ウェーブレット変換における翻訳と拡張シーケンスと,従来の畳み込みニューラルネットワークとバックプロパゲーションを組み合わせた,最小かつ計算効率のタイムスケールネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T16:39:55Z)
• Shuffled Multi-Channel Sparse Signal Recovery [16.333381000882486]
  サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。 この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。 本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-12-14T17:46:17Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
  解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。 この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。 本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T21:17:26Z)

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。