論文の概要: DM algorithms in healthindustry
- arxiv url: http://arxiv.org/abs/2103.01888v1
- Date: Tue, 2 Mar 2021 17:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:12:51.502439
- Title: DM algorithms in healthindustry
- Title（参考訳）: 健康産業におけるDMアルゴリズム
- Authors: Li Wang
- Abstract要約: 本調査は, 保健産業におけるデータマイニング(dm)のアプローチを, 様々な研究グループからレビューするものである。
焦点は、今日のコモディティコンピュータに組み込まれた現代のマルチコアプロセッサである。
- 参考スコア（独自算出の注目度）: 7.400475825464313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This survey reviews several approaches of data mining (DM) in healthindustry
from many research groups world wide. The focus is on modern multi-core
processors built into today's commodity computers, which are typically found at
university institutes both as small server and workstation computers. So they
are deliberately not high-performance computers. Modern multi-core processors
consist of several (2 to over 100) computer cores, which work independently of
each other according to the principle of "multiple instruction multiple data"
(MIMD). They have a common main memory (shared memory). Each of these computer
cores has several (2-16) arithmetic-logic units, which can simultaneously carry
out the same arithmetic operation on several data in a vector-like manner
(single instruction multiple data, SIMD). DM algorithms must use both types of
parallelism (SIMD and MIMD), with access to the main memory (centralized
component) being the main barrier to increased efficiency. This is important
for DM in healthindustry applications like ECG, EEG, CT, SPECT, fMRI, DTI,
ultrasound, microscopy, dermascopy, etc.
- Abstract（参考訳）: 本調査は, 保健産業におけるデータマイニング(dm)のアプローチを, 様々な研究グループからレビューするものである。
現在のコモディティコンピュータに組み込まれた現代的なマルチコアプロセッサにフォーカスしており、これは通常、小さなサーバーとワークステーションのコンピュータとして大学の研究所で見られる。
故意に高性能なコンピュータではない。
現代のマルチコアプロセッサは、複数の (2から100以上) コンピュータコアで構成されており、"multiple instruction multiple data" (mimd) の原則に従って互いに独立して動作する。
彼らは共通のメインメモリ(共有メモリ)を持っています。
これらのコンピュータコアには複数の(2-16)算術論理ユニットがあり、ベクトルのような方法で複数のデータ上で同じ演算を同時に行うことができる(命令多重データ、SIMD)。
DMアルゴリズムは両方のタイプの並列処理(SIMDとMIMD)を使用しなければならず、メインメモリ(集中化コンポーネント)へのアクセスは効率向上の主な障壁である。
これは、ECG、EEG、CT、SPECT、fMRI、DTI、超音波、顕微鏡、皮膚顕微鏡などの医療分野におけるDMにとって重要である。
関連論文リスト
- Spider2-V: How Far Are Multimodal Agents From Automating Data Science and Engineering Workflows? [73.81908518992161]
我々は、プロのデータサイエンスとエンジニアリングに焦点を当てた最初のマルチモーダルエージェントベンチマークであるSpider2-Vを紹介する。
Spider2-Vは、本物のコンピュータ環境における現実世界のタスクを特徴とし、20のエンタープライズレベルのプロフェッショナルアプリケーションを組み込んでいる。
これらのタスクは、エンタープライズデータソフトウェアシステムにおいて、コードを書き、GUIを管理することで、マルチモーダルエージェントがデータ関連のタスクを実行する能力を評価する。
論文 参考訳（メタデータ） (2024-07-15T17:54:37Z) - Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。
1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。
我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-25T05:04:44Z) - ManiSkill2: A Unified Benchmark for Generalizable Manipulation Skills [24.150758623016195]
我々は、一般化可能な操作スキルのための次世代のSAPIEN ManiSkillベンチマークであるManiSkill2を紹介する。
ManiSkill2には、2000以上のオブジェクトモデルと4M以上のデモフレームを備えた20の操作タスクファミリが含まれている。
幅広いアルゴリズムをサポートする統一インターフェースと評価プロトコルを定義する。
高速な視覚入力学習アルゴリズムにより、CNNベースのポリシーでサンプルを約2000 FPSで収集することができる。
論文 参考訳（メタデータ） (2023-02-09T14:24:01Z) - Motor Imagery Decoding Using Ensemble Curriculum Learning and
Collaborative Training [11.157243900163376]
マルチオブジェクトEEGデータセットは、いくつかの種類のドメインシフトを示す。
これらの領域シフトは、堅牢なクロスオブジェクトの一般化を妨げる。
複数の特徴抽出器を組み込んだ2段階モデルアンサンブルアーキテクチャを提案する。
我々のモデルアンサンブルアプローチはカリキュラム学習と協調学習の力を組み合わせたものであることを実証する。
論文 参考訳（メタデータ） (2022-11-21T13:45:44Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。
本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
論文 参考訳（メタデータ） (2022-07-09T09:14:12Z) - Machine Learning Training on a Real Processing-in-Memory System [9.286176889576996]
機械学習アルゴリズムのトレーニングは計算集約的なプロセスであり、しばしばメモリバウンドである。
メモリ内処理機能を備えたメモリ中心のコンピューティングシステムは、このデータ移動ボトルネックを軽減することができる。
我々の研究は、現実世界の汎用PIMアーキテクチャ上で機械学習アルゴリズムのトレーニングを評価する最初のものである。
論文 参考訳（メタデータ） (2022-06-13T10:20:23Z) - Benchmarking Small-Scale Quantum Devices on Computing Graph Edit
Distance [52.77024349608834]
グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。
本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
論文 参考訳（メタデータ） (2021-11-19T12:35:26Z) - Algoritmos de miner\'ia de datos en la industria sanitaria [0.0]
健康アプリケーションのためのデータマイニングアプローチをレビューします。
現代のコンピュータは複数のプロセッサで構成され、それぞれが複数のコアを備え、それぞれが算術/論理単位のセットを備えている。
これは、ECG、脳波、CT、SPECT、fMRI、DTI、超音波、顕微鏡、皮膚内視鏡など、健康の多くのアプリケーションにとって重要です。
論文 参考訳（メタデータ） (2021-04-19T15:36:13Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳（メタデータ） (2020-11-20T04:56:39Z) - Massively Parallel Graph Drawing and Representation Learning [13.736789987448466]
グラフ埋め込み、すなわちグラフの頂点を数値ベクトルに変換することは、重要なデータマイニングタスクである。
低次元および高次元ベクトルを生成する情報理論手法であるMulticoreGEMPEを提案する。
論文 参考訳（メタデータ） (2020-11-06T17:18:14Z)
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。