論文の概要: ConCAD: Contrastive Learning-based Cross Attention for Sleep Apnea
Detection
- arxiv url: http://arxiv.org/abs/2105.03037v1
- Date: Fri, 7 May 2021 02:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:13:36.066080
- Title: ConCAD: Contrastive Learning-based Cross Attention for Sleep Apnea
Detection
- Title（参考訳）: ConCAD:睡眠時無呼吸検出のためのコントラスト学習に基づくクロスアテンション
- Authors: Guanjie Huang and Fenglong Ma
- Abstract要約: 睡眠時無呼吸検出のための学習型クロスアテンションフレームワーク(ConCAD)を提案する。
提案フレームワークは,標準ディープラーニングモデルに容易に統合でき,専門家の知識とコントラスト学習を活用し,パフォーマンスを向上させる。
- 参考スコア（独自算出の注目度）: 16.938983046369263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With recent advancements in deep learning methods, automatically learning
deep features from the original data is becoming an effective and widespread
approach. However, the hand-crafted expert knowledge-based features are still
insightful. These expert-curated features can increase the model's
generalization and remind the model of some data characteristics, such as the
time interval between two patterns. It is particularly advantageous in tasks
with the clinically-relevant data, where the data are usually limited and
complex. To keep both implicit deep features and expert-curated explicit
features together, an effective fusion strategy is becoming indispensable. In
this work, we focus on a specific clinical application, i.e., sleep apnea
detection. In this context, we propose a contrastive learning-based cross
attention framework for sleep apnea detection (named ConCAD). The cross
attention mechanism can fuse the deep and expert features by automatically
assigning attention weights based on their importance. Contrastive learning can
learn better representations by keeping the instances of each class closer and
pushing away instances from different classes in the embedding space
concurrently. Furthermore, a new hybrid loss is designed to simultaneously
conduct contrastive learning and classification by integrating a supervised
contrastive loss with a cross-entropy loss. Our proposed framework can be
easily integrated into standard deep learning models to utilize expert
knowledge and contrastive learning to boost performance. As demonstrated on two
public ECG dataset with sleep apnea annotation, ConCAD significantly improves
the detection performance and outperforms state-of-art benchmark methods.
- Abstract（参考訳）: 近年のディープラーニング手法の進歩により、元のデータから深い特徴を自動的に学習する手法が、効果的かつ広く普及しつつある。
しかし、手作りの知識ベースの機能はまだ洞察に富んでいる。
これらの専門家による特徴は、モデルの一般化を増大させ、2つのパターン間の時間間隔など、いくつかのデータ特性のモデルを思い出させる。
これは、通常データが制限され複雑である、臨床的に関連のあるデータを扱うタスクにおいて特に有利である。
暗黙の深い機能と専門家による明確な機能の両方をまとめるには、効果的な融合戦略が不可欠である。
本研究では,特定の臨床応用,すなわち睡眠時無呼吸検出に焦点をあてる。
そこで本研究では睡眠時無呼吸検出のためのコントラスト学習に基づくクロスアテンションフレームワークを提案する。
クロスアテンション機構は、その重要性に基づいて自動的にアテンション重みを割り当てることで、深い機能と専門機能とを融合させることができる。
コントラスト学習は、各クラスのインスタンスを親密に保ち、埋め込み空間内の異なるクラスからインスタンスをプッシュすることで、より良い表現を学ぶことができる。
さらに,教師付きコントラスト損失とクロスエントロピー損失を融合することにより,コントラスト学習と分類を同時に行うように設計された。
提案フレームワークは,標準ディープラーニングモデルに容易に統合でき,専門家の知識とコントラスト学習を活用し,パフォーマンスを向上させる。
睡眠時無呼吸アノテーションを持つ2つのパブリックECGデータセットで示されているように、ConCADは検出性能を大幅に改善し、最先端のベンチマーク手法より優れている。
関連論文リスト
- Topological Persistence Guided Knowledge Distillation for Wearable Sensor Data [15.326571438985466]
トポロジカルデータ解析(TDA)によって得られるトポロジカルな特徴は潜在的な解決策として提案されている。
深層学習にトポロジ的特徴を用いることには2つの大きな障害がある。
そこで本研究では,生の時系列データに基づいてトレーニングした教師ネットワークと,TDA法により生成された永続性画像に基づいてトレーニングした教師ネットワークの2つを提案する。
頑健な学生モデルを蒸留し、トポロジ的特徴を暗黙的に保存しながら、時系列データのみを入力として使用する。
論文 参考訳（メタデータ） (2024-07-07T10:08:34Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - Practical Edge Detection via Robust Collaborative Learning [11.176517889212015]
エッジ検出は、幅広いビジョン指向タスクのコアコンポーネントである。
目標を達成するためには,2つの重要な問題に対処する必要がある。
非効率なトレーニング済みバックボーンからディープエッジモデルを緩和する方法。
トレーニングデータにおいて、ノイズや間違ったラベルからネガティブな影響を解放する方法。
論文 参考訳（メタデータ） (2023-08-27T12:12:27Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - Temporal Feature Alignment in Contrastive Self-Supervised Learning for
Human Activity Recognition [2.2082422928825136]
自己教師付き学習は通常、ラベルのないデータから深い特徴表現を学習するために使用される。
本稿では,時間空間に動的時間ワープアルゴリズムを組み込んで,時間次元で特徴を整列させる手法を提案する。
提案されたアプローチは、最近のSSLベースラインと比較して、ロバストな特徴表現を学習する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2022-10-07T07:51:01Z) - Hyperspherical Consistency Regularization [45.00073340936437]
我々は,自己教師あり学習と教師あり学習の関係について検討し,自己教師あり学習がデータ効率のよい深層学習にどのように役立つかを検討する。
超球面整合正則化(HCR)を提案し,特徴依存情報を用いた分類器の正規化を行い,ラベルからのバイアスを回避する。
論文 参考訳（メタデータ） (2022-06-02T02:41:13Z) - Spatio-temporal Gait Feature with Adaptive Distance Alignment [90.5842782685509]
我々は,ネットワーク構造の最適化と抽出した歩行特徴の洗練という2つの側面から,異なる被験者の歩行特徴の差を増大させようとしている。
提案手法は時空間特徴抽出(SFE)と適応距離アライメント(ADA)から構成される。
ADAは実生活における多数の未ラベルの歩行データをベンチマークとして使用し、抽出した時間的特徴を洗練し、クラス間類似度が低く、クラス内類似度が高いようにしている。
論文 参考訳（メタデータ） (2022-03-07T13:34:00Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2021-04-06T22:53:45Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z)
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。