論文の概要: Accuracy Improvement for Fully Convolutional Networks via Selective
Augmentation with Applications to Electrocardiogram Data
- arxiv url: http://arxiv.org/abs/2104.12284v1
- Date: Sun, 25 Apr 2021 23:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 02:51:09.707044
- Title: Accuracy Improvement for Fully Convolutional Networks via Selective
Augmentation with Applications to Electrocardiogram Data
- Title（参考訳）: 心電図データを用いた選択的拡張による完全畳み込みネットワークの精度向上
- Authors: Lucas Cassiel Jacaruso
- Abstract要約: 提案手法の精度は, 信頼度の低い試料に対する上限値付近で最適であり, 信頼度の高い試料を含むように, この閾値が上昇するにつれて低下した。
これは、フルコンボリューションネットワークによる心電図データ分類のための明確な利点を有するデータ増強のための低信頼サンプルを独占的に選択することを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods have shown suitability for time series classification
in the health and medical domain, with promising results for electrocardiogram
data classification. Successful identification of myocardial infarction holds
life saving potential and any meaningful improvement upon deep learning models
in this area is of great interest. Conventionally, data augmentation methods
are applied universally to the training set when data are limited in order to
ameliorate data resolution or sample size. In the method proposed in this
study, data augmentation was not applied in the context of data scarcity.
Instead, samples that yield low confidence predictions were selectively
augmented in order to bolster the model's sensitivity to features or patterns
less strongly associated with a given class. This approach was tested for
improving the performance of a Fully Convolutional Network. The proposed
approach achieved 90 percent accuracy for classifying myocardial infarction as
opposed to 82 percent accuracy for the baseline, a marked improvement. Further,
the accuracy of the proposed approach was optimal near a defined upper
threshold for qualifying low confidence samples and decreased as this threshold
was raised to include higher confidence samples. This suggests exclusively
selecting lower confidence samples for data augmentation comes with distinct
benefits for electrocardiogram data classification with Fully Convolutional
Networks.
- Abstract（参考訳）: 深層学習法は、健康・医療領域における時系列分類に適しており、心電図データ分類には有望な結果である。
心筋梗塞の診断に成功し、この領域の深層学習モデルに有意義な改善をもたらすことは大きな関心事である。
従来、データ解像度やサンプルサイズを改善するために、データが制限された場合、トレーニングセットにデータ拡張手法を普遍的に適用する。
本研究で提案する手法では,データ不足の文脈ではデータ拡張は適用されなかった。
代わりに、モデルが特定のクラスに強く関連しない特徴やパターンに対する感度を高めるために、信頼性の低い予測をもたらすサンプルを選択的に強化した。
このアプローチは、完全畳み込みネットワークの性能を改善するためにテストされた。
提案手法は, ベースラインの82%の精度に対して, 心筋梗塞の分類精度を90%向上させた。
さらに, 提案手法の精度は, 低信頼度試料の基準値に設定された上限付近で最適であり, 高い信頼度試料を含むように閾値を引き上げた。
これは、データ拡張のための信頼性の低いサンプルを排他的に選択することが、完全な畳み込みネットワークを用いた心電図データ分類に異なる利点をもたらすことを示唆している。
関連論文リスト
- Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。
PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。
複数のデータセットに対する実験結果は、PAALの優位性を示している。
論文 参考訳（メタデータ） (2024-05-01T11:12:08Z) - Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。
1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。
トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文 参考訳（メタデータ） (2023-12-01T11:06:00Z) - Adaptive Dimension Reduction and Variational Inference for Transductive
Few-Shot Classification [2.922007656878633]
適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。
提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2022-09-18T10:29:02Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Conditional Generative Data Augmentation for Clinical Audio Datasets [36.45569352490318]
本稿では,重み付き条件付きWasserstein Generative Adversarial Networkに基づく臨床オーディオデータセットのための新しいデータ拡張手法を提案する。
本手法を検証するため,THA(Total Hipplasty)手術中に実世界の手術室で記録された臨床オーディオデータセットを作成した。
生成した強化サンプルによるトレーニングは、分類精度の点で古典的な音声強調法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-22T09:47:31Z) - SelectAugment: Hierarchical Deterministic Sample Selection for Data
Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。
具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。
これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文 参考訳（メタデータ） (2021-12-06T08:38:38Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Self-paced Data Augmentation for Training Neural Networks [11.554821454921536]
本稿では,ニューラルネットワークをトレーニングする際のデータ拡張に適したサンプルを自動的に選択するセルフペース拡張を提案する。
提案手法は,非効率なデータ拡張による一般化性能の低下を緩和する。
実験結果から,SPAは,特にトレーニングサンプル数が少ない場合,一般化性能を向上できることが示された。
論文 参考訳（メタデータ） (2020-10-29T09:13:18Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。