論文の概要: Fast Physical Activity Suggestions: Efficient Hyperparameter Learning in Mobile Health

• arxiv url: http://arxiv.org/abs/2012.11646v1
• Date: Mon, 21 Dec 2020 19:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 08:54:04.699740
• Title: Fast Physical Activity Suggestions: Efficient Hyperparameter Learning in Mobile Health
• Title（参考訳）: fast physical activity suggestions: モバイル健康における効率的なハイパーパラメータ学習
• Authors: Marianne Menictas and Sabina Tomkins and Susan Murphy
• Abstract要約: 我々は,mhealth設定で身体活動を提案するアルゴリズムを提案する。 我々は、それぞれ99%と56%の速度と精度の両方で、最先端のアプローチよりも改善を示しています。
• 参考スコア（独自算出の注目度）: 1.9788007735185449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Users can be supported to adopt healthy behaviors, such as regular physical activity, via relevant and timely suggestions on their mobile devices. Recently, reinforcement learning algorithms have been found to be effective for learning the optimal context under which to provide suggestions. However, these algorithms are not necessarily designed for the constraints posed by mobile health (mHealth) settings, that they be efficient, domain-informed and computationally affordable. We propose an algorithm for providing physical activity suggestions in mHealth settings. Using domain-science, we formulate a contextual bandit algorithm which makes use of a linear mixed effects model. We then introduce a procedure to efficiently perform hyper-parameter updating, using far less computational resources than competing approaches. Not only is our approach computationally efficient, it is also easily implemented with closed form matrix algebraic updates and we show improvements over state of the art approaches both in speed and accuracy of up to 99% and 56% respectively.
• Abstract（参考訳）: ユーザは、モバイルデバイス上の関連性やタイムリーな提案を通じて、通常の身体活動などの健全な行動を採用することができる。 近年、強化学習アルゴリズムは、提案を行うための最適な文脈を学習するのに有効であることが判明した。 しかし、これらのアルゴリズムは必ずしもモバイルヘルス(mhealth)の設定によって生じる制約のために設計されているわけではない。 我々は,mhealth設定で身体活動を提案するアルゴリズムを提案する。 ドメイン科学を用いて,線形混合効果モデルを用いたコンテキストバンディットアルゴリズムを定式化する。 次に、競合するアプローチよりもはるかに少ない計算資源を用いて、ハイパーパラメータ更新を効率的に行う手順を導入する。 私たちのアプローチは計算効率が優れるだけでなく、クローズドフォーム行列代数的な更新でも容易に実装でき、速度と精度がそれぞれ99%と56%という、最先端のアプローチよりも改善しています。

関連論文リスト

• What is Metaheuristics? A Primer for the Epidemiologists [1.2783241540121182]
  本稿では,様々な分野の応用を含む基本的BATアルゴリズムとその変種について概説する。 特定の応用として、BATアルゴリズムを生体統計学的推定問題に適用し、既存のアルゴリズムに対して明らかな優位性を示す。
  論文  参考訳（メタデータ） (2024-10-26T02:13:00Z)
• Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
  変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。 我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。 この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
  論文  参考訳（メタデータ） (2023-12-23T13:27:50Z)
• Improving Gradient Methods via Coordinate Transformations: Applications to Quantum Machine Learning [0.0]
  機械学習アルゴリズムは勾配降下などの勾配に基づく最適化アルゴリズムに大きく依存している。 全体的な性能は、局所的なミニマと不毛の高原の出現に依存する。 本稿では,これらの手法の全般的な性能向上を図り,バレンプラトー効果と局所ミニマ効果を緩和する汎用戦略を提案する。
  論文  参考訳（メタデータ） (2023-04-13T18:26:05Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Contextual Bandits with Large Action Spaces: Made Practical [48.28690486203131]
  本稿では,連続的かつ線形に構造化された行動空間を持つコンテキスト的帯域に対する,最初の効率的汎用アルゴリズムを提案する。 提案アルゴリズムは,教師付き学習のための計算オラクル,および (ii) 動作空間を最適化し, 動作空間のサイズによらず, サンプルの複雑性, 実行時間, メモリを実現する。
  論文  参考訳（メタデータ） (2022-07-12T21:01:48Z)
• Light-weight Deformable Registration using Adversarial Learning with Distilling Knowledge [17.475408305030278]
  本稿では,競争精度を向上しつつ計算コストを大幅に削減する軽量変形型レジストレーションネットワークを提案する。 特に,有効だが高価な教師ネットワークから学生ネットワークへの有意義な情報を活用した蒸留知識アルゴリズムを用いた新たな逆学習を提案する。 各種公開データセットに対する実験結果から,提案手法は最先端の精度を達成できる一方で,最近の手法よりもはるかに高速であることがわかった。
  論文  参考訳（メタデータ） (2021-10-04T09:59:01Z)
• Efficient Hyperparameter Optimization for Physics-based Character Animation [1.2183405753834562]
  本稿では,DRLに基づく文字制御システムの高パラメータ最適化のための,新しいカリキュラムベースのマルチフィデリティベイズ最適化フレームワーク(CMFBO)を提案する。 提案アルゴリズムは,DeepMimicの著者がリリースした設定と比較して,少なくとも5倍の効率向上が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-26T06:46:36Z)
• Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
  ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。 具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。 次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
  論文  参考訳（メタデータ） (2021-02-17T21:03:05Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)
• Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile Health [3.8974425658660596]
  身体活動を増加させるために設計されたモバイルヘルス(mHealth)アプリケーションは、ユーザのモチベーションを高めるためにコンテキスト的に関連性のある提案をする必要がある。 そこで本稿では,ユーザに対して,コンテキスト化された,パーソナライズされた身体活動提案を提供するアルゴリズムを提案する。 技術アプローチの精度は, それぞれ99%, 56%に向上した。
  論文  参考訳（メタデータ） (2020-03-28T19:57:55Z)

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。