論文の概要: An Ensemble-based Multi-Criteria Decision Making Method for COVID-19 Cough Classification

• arxiv url: http://arxiv.org/abs/2110.00508v1
• Date: Fri, 1 Oct 2021 16:19:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:18:57.091694
• Title: An Ensemble-based Multi-Criteria Decision Making Method for COVID-19 Cough Classification
• Title（参考訳）: アンサンブルを用いたcovid-19クフ分類のためのマルチクリトリリア意思決定法
• Authors: Nihad Karim Chowdhury, Muhammad Ashad Kabir, Md. Muhtadir Rahman
• Abstract要約: 新型コロナウイルスのコウ分類のためのトップパフォーマンス機械学習手法を選択するためのアンサンブルベースのマルチ基準決定法(MCDM)を提案する。 提案手法の検証には,ケンブリッジ,コスワラ,ヴィルフイ,NoCoCoDaの4つの粗いデータセットを用いる。 実験による評価の結果,提案手法は最先端モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 2.1915057426589746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The objectives of this research are analysing the performance of the state-of-the-art machine learning techniques for classifying COVID-19 from cough sound and identifying the model(s) that consistently perform well across different cough datasets. Different performance evaluation metrics (such as precision, sensitivity, specificity, AUC, accuracy, etc.) make it difficult to select the best performance model. To address this issue, in this paper, we propose an ensemble-based multi-criteria decision making (MCDM) method for selecting top performance machine learning technique(s) for COVID-19 cough classification. We use four cough datasets, namely Cambridge, Coswara, Virufy, and NoCoCoDa to verify the proposed method. At first, our proposed method uses the audio features of cough samples and then applies machine learning (ML) techniques to classify them as COVID-19 or non-COVID-19. Then, we consider a multi-criteria decision-making (MCDM) method that combines ensemble technologies (i.e., soft and hard) to select the best model. In MCDM, we use the technique for order preference by similarity to ideal solution (TOPSIS) for ranking purposes, while entropy is applied to calculate evaluation criteria weights. In addition, we apply the feature reduction process through recursive feature elimination with cross-validation under different estimators. The results of our empirical evaluations show that the proposed method outperforms the state-of-the-art models.
• Abstract（参考訳）: 本研究の目的は、新型コロナウイルス(COVID-19)の音から分類する最先端の機械学習技術の性能を分析し、さまざまなコークスデータセット間で一貫してよく機能するモデルを特定することである。 異なるパフォーマンス評価指標(精度、感度、特異性、AUC、精度など)は、最高のパフォーマンスモデルを選択するのを難しくする。 そこで,本稿では,covid-19 クラフ分類のための最高性能機械学習手法を選択するためのアンサンブル型マルチクリテリア意思決定手法(mcdm)を提案する。 提案手法の検証には,cambridge,coswara,virufy,nococodaの4つのcoughデータセットを用いた。 提案手法は,まずcovid-19または非covid-19に分類するために機械学習(ml)技術を適用する。 そこで我々は,最適なモデルを選択するために,アンサンブル技術(ソフトとハード)を組み合わせたマルチ基準決定法(MCDM)を検討する。 mcdmでは,評価基準重みの計算にエントロピーが用いられる一方で,ランキング目的には理想解(topsis)と類似性による順序選好の手法を用いる。 さらに,異なる推定条件下でのクロスバリデーションによる再帰的特徴除去による特徴量削減手法を適用した。 実験による評価の結果,提案手法は最先端モデルよりも優れていた。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• An Adaptive Cost-Sensitive Learning and Recursive Denoising Framework for Imbalanced SVM Classification [12.986535715303331]
  カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。 不均衡データセットに基づいてトレーニングされた感情分類モデルは、容易に信頼性の低い予測につながる。
  論文  参考訳（メタデータ） (2024-03-13T09:43:14Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• A concise method for feature selection via normalized frequencies [0.0]
  本稿では,普遍的特徴選択のための簡潔な手法を提案する。 提案手法は, フィルタ法とラッパー法を融合して行う。 評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-06-10T15:29:54Z)
• Hybrid Method Based on NARX models and Machine Learning for Pattern Recognition [0.0]
  本研究は,機械学習とシステム識別の方法論を統合した新しい手法を提案する。 本手法の効率は,機械学習におけるケーススタディにより検証され,古典的分類アルゴリズムと比較して絶対的な結果が得られた。
  論文  参考訳（メタデータ） (2021-06-08T00:17:36Z)
• Multicriteria Group Decision-Making Under Uncertainty Using Interval Data and Cloud Models [0.0]
  本稿では,データを間隔として収集する不確実性の下で,MCGDM(Multicriteria group decision making)アルゴリズムを提案する。 提案したMCGDMアルゴリズムは、データを集約し、基準の最適な重みを決定し、さらに入力を行わずに代替品をランク付けする。 提案アルゴリズムは,サイバーセキュリティ問題のケーススタディに実装され,その実現可能性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-01T06:34:48Z)
• Bloom Origami Assays: Practical Group Testing [90.2899558237778]
  グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。 近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。 我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
  論文  参考訳（メタデータ） (2020-07-21T19:31:41Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
  我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。 次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
  論文  参考訳（メタデータ） (2020-04-01T09:55:18Z)

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。