論文の概要: Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules

• arxiv url: http://arxiv.org/abs/2012.03480v1
• Date: Mon, 7 Dec 2020 06:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 06:17:44.575632
• Title: Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules
• Title（参考訳）: 肺結節を伴わない学習のためのメタ順序回帰フォレスト
• Authors: Yiming Lei, Haiping Zhu, Junping Zhang, Hongming Shan
• Abstract要約: この問題を順序回帰として定式化することにより、これらの不確実な結節を組み込むために、不確実データモデル(UDM)が提案された。 本論文では,最先端の経口回帰法を改善するメタ経口回帰林(MORF)を提案する。 LIDC-IDRIデータセットの実験結果から,既存の手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 18.597354524446487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have achieved promising performance in early detection and classification of lung nodules, most of which discard unsure nodules and simply deal with a binary classification -- malignant vs benign. Recently, an unsure data model (UDM) was proposed to incorporate those unsure nodules by formulating this problem as an ordinal regression, showing better performance over traditional binary classification. To further explore the ordinal relationship for lung nodule classification, this paper proposes a meta ordinal regression forest (MORF), which improves upon the state-of-the-art ordinal regression method, deep ordinal regression forest (DORF), in three major ways. First, MORF can alleviate the biases of the predictions by making full use of deep features while DORF needs to fix the composition of decision trees before training. Second, MORF has a novel grouped feature selection (GFS) module to re-sample the split nodes of decision trees. Last, combined with GFS, MORF is equipped with a meta learning-based weighting scheme to map the features selected by GFS to tree-wise weights while DORF assigns equal weights for all trees. Experimental results on the LIDC-IDRI dataset demonstrate superior performance over existing methods, including the state-of-the-art DORF.
• Abstract（参考訳）: 深層学習に基づく手法は,肺結節の早期検出と分類において有望な性能を発揮している。 近年,この問題を正規回帰として定式化し,従来の二項分類よりも優れた性能を示す不確かさデータモデル (UDM) が提案されている。 肺結節分類の順序関係をさらに探究するため,本論文では,最先端の順序回帰法であるdeep ordinal regression forest (dorf) を3つの主要な方法で改良したmeta ordinal regression forest (morf)を提案する。 まず、MORFは深い特徴をフル活用することで予測のバイアスを軽減する一方、DORFはトレーニング前に決定木の構成を修正する必要がある。 第二に、morfは決定木の分割ノードを再サンプリングする新しいグループ化特徴選択(gfs)モジュールを持っている。 最後に、MORFはGFSと組み合わせて、GFSが選択した特徴をツリーワイドにマッピングするメタ学習ベースの重み付けスキームを備えており、DORFはすべての木に等しい重みを割り当てている。 LIDC-IDRIデータセットの実験結果は、最先端のDORFを含む既存の手法よりも優れた性能を示した。

関連論文リスト

• Binary Classification: Is Boosting stronger than Bagging? [5.877778007271621]
  本稿では,バニラ・ランダム・フォレストの拡張である拡張ランダム・フォレストを紹介し,付加機能と適応サンプルおよびモデル重み付けについて述べる。 トレーニングサンプルの重み付けを適応するための反復アルゴリズムを開発し、最も難しい例を選好し、新しいサンプルごとに個別の木の重み付け手法を見つけるためのアプローチを開発した。 本手法は15の異なる二分分類データセットにまたがる通常のランダムフォレストを著しく改善し,XGBoostを含む他の木法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-24T23:22:33Z)
• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels [37.121792169424744]
  そこで本研究では, 医用画像分類のためのメタ・オーディショナル・レグレッション・フォレスト (MORF) 法を提案する。 MORFは、畳み込みニューラルネットワークとディファレンシャルフォレストを組み合わせて、メタラーニングフレームワークで順序関係を学習する。 序列ラベルを用いた2つの医用画像分類データセットの実験結果から,既存の最先端手法よりもMORF法の方が優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-15T08:43:57Z)
• CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
  FSC(Few-shot Classification)は近年のホットな問題の一つである。 事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T03:26:24Z)
• Data-driven advice for interpreting local and global model predictions in bioinformatics problems [17.685881417954782]
  条件付き特徴コントリビューション(CFC)は、予測のテキストローカルでケースバイケースの説明を提供する。 両手法で計算した説明を, 公開されている164の分類問題に対して比較した。 ランダム林では,地域とグローバルのSHAP値とCFCスコアの相関関係が極めて高い。
  論文  参考訳（メタデータ） (2021-08-13T12:41:39Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• Meta ordinal weighting net for improving lung nodule classification [19.61244172891081]
  本稿では,各トレーニングサンプルをメタ順序集合 (MOS) に整列させるメタ順序重み付けネットワーク (MOW-Net) を提案する。 トレーニングプロセス中、MOW-Netは、MOSのサンプルから対応するクラス固有の重みへのマッピングを学習する。 実験の結果,MOW-Netは最先端の順序回帰法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-01-31T14:00:20Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)

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。