論文の概要: Transferability of Neural Network-based De-identification Systems
- arxiv url: http://arxiv.org/abs/2102.08517v1
- Date: Wed, 17 Feb 2021 00:49:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 07:36:14.200006
- Title: Transferability of Neural Network-based De-identification Systems
- Title（参考訳）: ニューラルネットワークを用いた非識別システムの転送性
- Authors: Kahyun Lee, Nicholas J. Dobbins, Bridget McInnes, Meliha Yetisgen,
\"Ozlem Uzuner
- Abstract要約: ニューラルネットワークを用いた非同定システムのドメイン一般化による転送可能性について検討した。
新たな手法であるjdl(joint-domain learning)と共通分解法(common-specific decomposition)の2つのドメイン一般化アプローチを用いた。
- 参考スコア（独自算出の注目度）: 1.1024591739346292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Methods and Materials: We investigated transferability of neural
network-based de-identification sys-tems with and without domain
generalization. We used two domain generalization approaches: a novel approach
Joint-Domain Learning (JDL) as developed in this paper, and a state-of-the-art
domain general-ization approach Common-Specific Decomposition (CSD) from the
literature. First, we measured trans-ferability from a single external source.
Second, we used two external sources and evaluated whether domain
generalization can improve transferability of de-identification models across
domains which rep-resent different note types from the same institution. Third,
using two external sources with in-domain training data, we studied whether
external source data are useful even in cases where sufficient in-domain
training data are available. Finally, we investigated transferability of the
de-identification mod-els across institutions. Results and Conclusions: We
found transferability from a single external source gave inconsistent re-sults.
Using additional external sources consistently yielded an F1-score of
approximately 80%, but domain generalization was not always helpful to improve
transferability. We also found that external sources were useful even in cases
where in-domain training data were available by reducing the amount of needed
in-domain training data or by improving performance. Transferability across
institutions was differed by note type and annotation label. External sources
from a different institution were also useful to further improve performance.
- Abstract（参考訳）: 方法と材料:領域一般化の有無にかかわらず、ニューラルネットワークに基づく非同定システム-テムの転送可能性を検討した。
本論文で開発した新しいJDL(Joint-Domain Learning)アプローチと、文献からの最新のドメイン一般化アプローチCommon-Specific Decomposition(CSD)アプローチの2つのドメイン一般化アプローチを使用した。
まず、1つの外部ソースからトランスフェラビリティを測定した。
第2に,2つの外部ソースを用いて,同一機関の異なる音符タイプを再現するドメイン間の非識別モデルの転送性を改善することができるか評価した。
第3に、ドメイン内トレーニングデータを持つ2つの外部ソースを用いて、ドメイン内トレーニングデータが十分な場合であっても、外部ソースデータが有用かどうかを検討した。
最後に, 施設間における非識別モジュールの転送可能性について検討した。
結果と結論: 単一の外部ソースからの転送性が一貫性のない再スルトを与えました。
追加の外部ソースを使用することで、F1スコアは約80%を得ることができたが、ドメインの一般化は転送可能性を改善するのに必ずしも役に立たなかった。
また、必要なトレーニングデータの量を減らしたり、パフォーマンスを向上させることで、インドメイントレーニングデータが利用可能であった場合でも、外部ソースが有用であることが分かりました。
機関間での転送性はノートタイプとアノテーションラベルによって異なっていた。
別の機関の外部の情報源も、さらなる性能向上に役立った。
関連論文リスト
- Uncertainty-guided Contrastive Learning for Single Source Domain Generalisation [15.907643838530655]
本稿では,Contrastive Uncertainty Domain Generalisation Network(CUDGNet)と呼ばれる新しいモデルを紹介する。
鍵となるアイデアは、架空のドメインジェネレータを通じて、入力空間とラベル空間の両方のソース容量を増大させることである。
また,提案手法は,1つのフォワードパスからジェネレータサブネットワークを経由した推論時間における効率的な不確実性推定も提供する。
論文 参考訳（メタデータ） (2024-03-12T10:47:45Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。
未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。
オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
論文 参考訳（メタデータ） (2021-12-16T01:22:59Z) - Towards Data-Free Domain Generalization [12.269045654957765]
異なるソースデータドメインでトレーニングされたモデルに含まれる知識は、どのようにして単一のモデルにマージされるのか?
以前のドメインの一般化手法は、典型的にはソースドメインデータの使用に依存しており、プライベートな分散データには適さない。
DeKANは、利用可能な教師モデルからドメイン固有の知識を抽出し、融合し、ドメインシフトに頑健な学生モデルに変換するアプローチである。
論文 参考訳（メタデータ） (2021-10-09T11:44:05Z) - Self-balanced Learning For Domain Generalization [64.99791119112503]
ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。
既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。
本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-31T03:17:54Z) - Generalizable Person Re-identification with Relevance-aware Mixture of
Experts [45.13716166680772]
我々はRaMoE(Relevance-Aware Mixed of Expert)と呼ばれる新しい手法を提案する。
RaMoEは、効率的な投票に基づく混合メカニズムを使用して、モデル一般化を改善するために、ソースドメインの様々な特性を動的に活用する。
対象ドメインの学習時の視認性を考慮し,新たな学習学習アルゴリズムと関係アライメント損失を組み合わせることで,投票ネットワークを更新する手法を提案する。
論文 参考訳（メタデータ） (2021-05-19T14:19:34Z) - Unsupervised Sentiment Analysis by Transferring Multi-source Knowledge [22.880509132587807]
感情分析のための2段階のドメイン適応フレームワークを提案する。
最初の段階では、マルチタスクの方法論に基づく共有プライベートアーキテクチャを使用して、ドメイン共通機能を明示的にモデル化する。
第2段階では、複数のソースドメインから知識を転送するために、共有プライベートアーキテクチャに2つの精巧なメカニズムが組み込まれています。
論文 参考訳（メタデータ） (2021-05-09T03:02:19Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Curriculum CycleGAN for Textual Sentiment Domain Adaptation with
Multiple Sources [68.31273535702256]
我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。
C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。
3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
論文 参考訳（メタデータ） (2020-11-17T14:50:55Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳（メタデータ） (2020-04-09T07:26:20Z)
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。