論文の概要: Targeted Deep Learning: Framework, Methods, and Applications
- arxiv url: http://arxiv.org/abs/2105.14052v1
- Date: Fri, 28 May 2021 18:37:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:55:32.269625
- Title: Targeted Deep Learning: Framework, Methods, and Applications
- Title（参考訳）: 対象とするディープラーニング:フレームワーク、方法、アプリケーション
- Authors: Shih-Ting Huang and Johannes Lederer
- Abstract要約: ディープラーニングシステムは通常、幅広いテスト入力を実行するように設計されています。
医療は、現在、個々の患者に対する治療のターゲティングに興味があります。
深層学習を対象とするアプリケーションにおいて,ディープラーニングと呼ぶことを提案する。
- 参考スコア（独自算出の注目度）: 0.3553493344868413
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning systems are typically designed to perform for a wide range of
test inputs. For example, deep learning systems in autonomous cars are supposed
to deal with traffic situations for which they were not specifically trained.
In general, the ability to cope with a broad spectrum of unseen test inputs is
called generalization. Generalization is definitely important in applications
where the possible test inputs are known but plentiful or simply unknown, but
there are also cases where the possible inputs are few and unlabeled but known
beforehand. For example, medicine is currently interested in targeting
treatments to individual patients; the number of patients at any given time is
usually small (typically one), their diagnoses/responses/... are still unknown,
but their general characteristics (such as genome information, protein levels
in the blood, and so forth) are known before the treatment. We propose to call
deep learning in such applications targeted deep learning. In this paper, we
introduce a framework for targeted deep learning, and we devise and test an
approach for adapting standard pipelines to the requirements of targeted deep
learning. The approach is very general yet easy to use: it can be implemented
as a simple data-preprocessing step. We demonstrate on a variety of real-world
data that our approach can indeed render standard deep learning faster and more
accurate when the test inputs are known beforehand.
- Abstract（参考訳）: ディープラーニングシステムは一般的に、幅広いテスト入力を実行するように設計されている。
例えば、自動運転車のディープラーニングシステムは、特に訓練されていない交通状況に対処する必要がある。
一般に、目に見えないテスト入力の幅広いスペクトルに対処する能力は一般化と呼ばれる。
一般化は、テスト入力が知られているが、豊富か、あるいは単に不明なアプリケーションでは間違いなく重要であるが、可能入力がほとんどラベルが付けられておらず、事前に知られている場合もある。
例えば、現在、医療は個々の患者に対する治療のターゲティングに関心があり、任意の時間における患者の数は通常小さい(典型的には1人)が、診断/応答/...はまだ不明であるが、その一般的な特徴(ゲノム情報、血液のタンパク質レベルなど)は治療前に知られている。
深層学習を対象とするアプリケーションにおいて,ディープラーニングと呼ぶことを提案する。
本稿では,対象とする深層学習のためのフレームワークを紹介し,対象とする深層学習の要件に標準パイプラインを適用するためのアプローチを考案し,テストする。
このアプローチはとても一般的なものですが、使いやすく、単純なデータ前処理のステップとして実装できます。
テスト入力が事前に分かっている場合に、我々のアプローチが標準ディープラーニングを高速かつ正確にレンダリングできる、さまざまな実世界のデータを実証する。
関連論文リスト
- BOWLL: A Deceptively Simple Open World Lifelong Learner [22.375833943808995]
本稿では,オープンワールドの生涯学習のための標準モデルを再活用する,極めてシンプルで効果的な方法を提案する。
我々のアプローチは、知識を効果的に維持し、情報的データに選択的に集中し、将来の学習を加速できるモデルの将来の標準として機能するべきです。
論文 参考訳（メタデータ） (2024-02-07T13:04:35Z) - Deep Internal Learning: Deep Learning from a Single Input [88.59966585422914]
多くの場合、手元にある入力からネットワークをトレーニングする価値がある。
これは、トレーニングデータが少なく、多様性が大きい多くの信号および画像処理問題に特に関係している。
本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
論文 参考訳（メタデータ） (2023-12-12T16:48:53Z) - Informed Priors for Knowledge Integration in Trajectory Prediction [0.225596179391365]
本稿では,連続学習に基づく情報機械学習手法を提案する。
これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。
我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2022-11-01T09:37:14Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Towards Structuring Real-World Data at Scale: Deep Learning for
Extracting Key Oncology Information from Clinical Text with Patient-Level
Supervision [10.929271646369887]
実世界データ(RWD)の詳細な患者情報の大部分は、フリーテキストの臨床文書でのみ利用可能である。
従来のルールベースのシステムは、臨床テキストの言語的変異やあいまいさに弱い。
本稿では,患者レベルの管理を医療登録から活用することを提案する。
論文 参考訳（メタデータ） (2022-03-20T03:42:03Z) - Reasoning-Modulated Representations [85.08205744191078]
タスクが純粋に不透明でないような共通的な環境について研究する。
我々のアプローチは、新しいデータ効率表現学習の道を開く。
論文 参考訳（メタデータ） (2021-07-19T13:57:13Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - AdS/Deep-Learning made easy: simple examples [1.1199585259018459]
AdS/Deep-Learning (DL)と呼ばれる新しいディープラーニング技術が提案されている。
本稿では、最も単純な設定でAdS/DLの本質について述べる。
論文 参考訳（メタデータ） (2020-11-27T13:23:18Z) - A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems [6.810856082577402]
データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
論文 参考訳（メタデータ） (2020-07-17T14:14:37Z) - Generalizable Pedestrian Detection: The Elephant In The Room [82.37430109152383]
既存の最先端の歩行者検出器は、同じデータセット上でトレーニングやテストを行う際には、非常によく機能するが、データセット間の評価では、十分に一般化されていない。
ウェブをクロールすることで収集される多様で高密度なデータセットは、歩行者検出のための事前学習の効率的な情報源であることを示す。
論文 参考訳（メタデータ） (2020-03-19T14:14:52Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳（メタデータ） (2020-01-05T11:33:31Z)
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。