論文の概要: A Novel Cluster Detection of COVID-19 Patients and Medical Disease
Conditions Using Improved Evolutionary Clustering Algorithm Star
- arxiv url: http://arxiv.org/abs/2109.09492v1
- Date: Mon, 20 Sep 2021 12:47:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 05:39:55.196395
- Title: A Novel Cluster Detection of COVID-19 Patients and Medical Disease
Conditions Using Improved Evolutionary Clustering Algorithm Star
- Title（参考訳）: 改良型進化的クラスタリングアルゴリズムスターを用いた新型コロナウイルスの新規クラスター検出と病状の検討
- Authors: Bryar A. Hassan, Tarik A. Rashid, Hozan K. Hamarashid
- Abstract要約: 我々は、現在の進化的クラスタリングアルゴリズムスター(ECA*)を3つの方法で改善する。
最先端アルゴリズムに対するiECA*の性能評価実験を行った。
- 参考スコア（独自算出の注目度）: 0.9990687944474739
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the increasing number of samples, the manual clustering of COVID-19 and
medical disease data samples becomes time-consuming and requires highly skilled
labour. Recently, several algorithms have been used for clustering medical
datasets deterministically; however, these definitions have not been effective
in grouping and analysing medical diseases. The use of evolutionary clustering
algorithms may help to effectively cluster these diseases. On this presumption,
we improved the current evolutionary clustering algorithm star (ECA*), called
iECA*, in three manners: (i) utilising the elbow method to find the correct
number of clusters; (ii) cleaning and processing data as part of iECA* to apply
it to multivariate and domain-theory datasets; (iii) using iECA* for real-world
applications in clustering COVID-19 and medical disease datasets. Experiments
were conducted to examine the performance of iECA* against state-of-the-art
algorithms using performance and validation measures (validation measures,
statistical benchmarking, and performance ranking framework). The results
demonstrate three primary findings. First, iECA* was more effective than other
algorithms in grouping the chosen medical disease datasets according to the
cluster validation criteria. Second, iECA* exhibited the lower execution time
and memory consumption for clustering all the datasets, compared to the current
clustering methods analysed. Third, an operational framework was proposed to
rate the effectiveness of iECA* against other algorithms in the datasets
analysed, and the results indicated that iECA* exhibited the best performance
in clustering all medical datasets. Further research is required on real-world
multi-dimensional data containing complex knowledge fields for experimental
verification of iECA* compared to evolutionary algorithms.
- Abstract（参考訳）: サンプル数の増加に伴い、新型コロナウイルスと医療疾患のデータサンプルの手動クラスタリングは時間がかかり、高度に熟練した労働を必要とする。
近年,医療データセットのクラスタリングにいくつかのアルゴリズムが用いられているが,これらの定義は医学疾患の分類や分析には有効ではない。
進化的クラスタリングアルゴリズムの使用は、これらの病気を効果的にクラスタリングするのに役立ちます。
この推定に基づいて、我々は現在の進化的クラスタリングアルゴリズムであるiECA*を3つの方法で改善した。
(i)肘法を用いて、クラスタの正確な数を求めること。
(ii)多変量及びドメイン理論データセットに適用するためのieca*の一部としてのデータのクリーニング及び処理
3)iECA*を用いて、新型コロナウイルスおよび医療疾患データセットのクラスタリングを行う。
評価基準,統計的ベンチマーク,性能評価フレームワークを用いて,iECA*の最先端アルゴリズムに対する性能評価実験を行った。
結果は3つの主要な所見を示した。
まず,iECA*は,クラスタ検証基準に従って選択した疾患データセットをグループ化するアルゴリズムよりも有効であった。
第2に、iECA*は、分析された現在のクラスタリング方法と比較して、すべてのデータセットをクラスタリングする際の実行時間とメモリ消費を低くした。
第3に,iECA*が分析したデータセットにおける他のアルゴリズムに対して有効性を評価するための運用フレームワークが提案され,その結果,iECA*がすべての医療データセットをクラスタリングする上で最高の性能を示した。
進化的アルゴリズムと比較して,iECA*を実験的に検証するために,複雑な知識分野を含む実世界の多次元データについてさらなる研究が必要である。
関連論文リスト
- Artificial Data Point Generation in Clustered Latent Space for Small
Medical Datasets [4.542616945567623]
本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。
AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。
顔の表情データを利用してパーキンソン病検診に応用した。
論文 参考訳（メタデータ） (2024-09-26T09:51:08Z) - A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - Machine Learning Based Missing Values Imputation in Categorical Datasets [2.5611256859404983]
この研究では、分類データセットのギャップを埋めるための機械学習アルゴリズムの使用について検討した。
Error Correction Output Codesフレームワークを使用して構築されたアンサンブルモデルに重点が置かれた。
大量のラベル付きデータの要求を含む、これらの奨励的な結果にもかかわらず、データ計算の欠如に対する深い学習には障害がある。
論文 参考訳（メタデータ） (2023-06-10T03:29:48Z) - Significance-Based Categorical Data Clustering [7.421725101465365]
我々は、カテゴリデータクラスタリングにおいて、重要度に基づく目的関数として機能するテスト統計を導出するために、確率比テストを使用する。
モンテカルロ探索手法を用いて重要度に基づく目的関数を最適化する新しいクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-08T02:06:31Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳（メタデータ） (2022-10-04T15:22:39Z) - Performance evaluation results of evolutionary clustering algorithm star
for clustering heterogeneous datasets [15.154538450706474]
本稿では,進化的クラスタリングアルゴリズムstar(eca*)の性能評価のためのデータを提案する。
従来の5つのクラスタリングアルゴリズムに対するeca*の性能を調べるために、2つの実験手法が用いられた。
論文 参考訳（メタデータ） (2021-04-30T08:17:19Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - A Multi-disciplinary Ensemble Algorithm for Clustering Heterogeneous
Datasets [0.76146285961466]
本稿では,社会階級ランキングとメタヒューリスティックアルゴリズムに基づく進化的クラスタリングアルゴリズム(ECAStar)を提案する。
ECAStarは、再共生進化演算子、レヴィ飛行最適化、いくつかの統計技術と統合されている。
従来の5つのアプローチに対してECAStarを評価する実験を行った。
論文 参考訳（メタデータ） (2021-01-01T07:20:50Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳（メタデータ） (2020-12-24T12:56:46Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z)
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。