論文の概要: CoPHE: A Count-Preserving Hierarchical Evaluation Metric in Large-Scale Multi-Label Text Classification

• arxiv url: http://arxiv.org/abs/2109.04853v1
• Date: Fri, 10 Sep 2021 13:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-13 17:51:22.739471
• Title: CoPHE: A Count-Preserving Hierarchical Evaluation Metric in Large-Scale Multi-Label Text Classification
• Title（参考訳）: CoPHE:大規模マルチラベルテキスト分類における数保存階層的評価基準
• Authors: Mat\'u\v{s} Falis, Hang Dong, Alexandra Birch, Beatrice Alex
• Abstract要約: ニューラルLMTCモデルの予測の階層的評価について論じる。 先行技術における構造化ラベル空間の表現における構造的問題について述べる。 深度に基づく表現を用いた階層的評価のための指標セットを提案する。
• 参考スコア（独自算出の注目度）: 70.554573538777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-Scale Multi-Label Text Classification (LMTC) includes tasks with hierarchical label spaces, such as automatic assignment of ICD-9 codes to discharge summaries. Performance of models in prior art is evaluated with standard precision, recall, and F1 measures without regard for the rich hierarchical structure. In this work we argue for hierarchical evaluation of the predictions of neural LMTC models. With the example of the ICD-9 ontology we describe a structural issue in the representation of the structured label space in prior art, and propose an alternative representation based on the depth of the ontology. We propose a set of metrics for hierarchical evaluation using the depth-based representation. We compare the evaluation scores from the proposed metrics with previously used metrics on prior art LMTC models for ICD-9 coding in MIMIC-III. We also propose further avenues of research involving the proposed ontological representation.
• Abstract（参考訳）: 大規模なMulti-Label Text Classification (LMTC) には階層的なラベル空間を持つタスクが含まれている。 先行技術におけるモデルの性能を,豊富な階層構造を考慮せずに,標準精度,リコール,F1測定値で評価する。 本研究では,ニューラルLMTCモデルの予測の階層的評価について論じる。 ICD-9オントロジーの例では、先行技術における構造化ラベル空間の表現における構造的問題を説明し、オントロジーの深さに基づく代替表現を提案する。 深度に基づく表現を用いた階層的評価のための指標セットを提案する。 MIMIC-III における ICD-9 符号化のための先行技術 LMTC モデルを用いた評価結果と比較した。 また,提案するオントロジ表現に関するさらなる研究方法を提案する。

関連論文リスト

• Large Language Model in Medical Informatics: Direct Classification and Enhanced Text Representations for Automatic ICD Coding [7.0413463890126735]
  本稿では,大規模言語モデル(LLM: Large Language Models),特にLLAMAアーキテクチャを用いて,ICDのコード分類を強化する。 我々はこれらの手法を最先端の手法と比較することで評価する。
  論文  参考訳（メタデータ） (2024-11-11T09:31:46Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Hierarchical Label-wise Attention Transformer Model for Explainable ICD Coding [10.387366211090734]
  臨床文書からのICD符号の予測のための階層型ラベル対応アテンショントランスフォーマモデル (HiLAT) を提案する。 MIMIC-IIIデータベースから,病院の退院サマリーと対応するICD-9符号を用いたHiLATの評価を行った。 注意重みの可視化は、ICDコード予測の顔の妥当性を確認するための潜在的な説明可能性ツールを示す。
  論文  参考訳（メタデータ） (2022-04-22T14:12:22Z)
• HFT-ONLSTM: Hierarchical and Fine-Tuning Multi-label Text Classification [7.176984223240199]
  階層型マルチラベルテキスト分類(HMTC)は,近縁なカテゴリの大規模集合よりも高精度である。 本稿では,HFT-ONLSTMと略される順序付きニューラルLSTMニューラルネットワークをベースとした階層的・微調整手法を提案し,より正確なレベル・バイ・レベルHMTCを提案する。
  論文  参考訳（メタデータ） (2022-04-18T00:57:46Z)
• Description-based Label Attention Classifier for Explainable ICD-9 Classification [10.407041139832955]
  臨床ノートなどのノイズのあるテキストを扱う際のモデル説明性を改善するために,記述に基づくラベルアテンション分類器を提案する。 提案手法をMIMIC-III-50データセット上で異なるトランスフォーマーベースのエンコーダを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-24T15:31:38Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Analysis and tuning of hierarchical topic models based on Renyi entropy approach [5.487882744996213]
  階層レベルのトピック数を含む階層モデルのパラメータのチューニングは、依然として困難な課題である。 本稿では,Renyi entropy-based approach for a part solution to the above problemを提案する。
  論文  参考訳（メタデータ） (2021-01-19T12:54:47Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
  C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。 最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
  論文  参考訳（メタデータ） (2020-10-20T09:37:02Z)

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。