論文の概要: Coherent False Seizure Prediction in Epilepsy, Coincidence or Providence?

• arxiv url: http://arxiv.org/abs/2110.13550v1
• Date: Tue, 26 Oct 2021 10:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 23:47:44.101013
• Title: Coherent False Seizure Prediction in Epilepsy, Coincidence or Providence?
• Title（参考訳）: てんかん、偶然、プロビデンスにおけるコヒーレント偽発作予測
• Authors: Jens M\"uller, Hongliu Yang, Matthias Eberlein, Georg Leonhardt, Ortrud Uckermann, Levin Kuhlmann, Ronald Tetzlaff
• Abstract要約: 機械学習を用いた清水予測は可能であるが、その性能は理想的ではない。 本稿では,長期データセット上での2つのアルゴリズムの誤報と誤報について検討する。
• 参考スコア（独自算出の注目度）: 0.2770822269241973
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Seizure forecasting using machine learning is possible, but the performance is far from ideal, as indicated by many false predictions and low specificity. Here, we examine false and missing alarms of two algorithms on long-term datasets to show that the limitations are less related to classifiers or features, but rather to intrinsic changes in the data. We evaluated two algorithms on three datasets by computing the correlation of false predictions and estimating the information transfer between both classification methods. For 9 out of 12 individuals both methods showed a performance better than chance. For all individuals we observed a positive correlation in predictions. For individuals with strong correlation in false predictions we were able to boost the performance of one method by excluding test samples based on the results of the second method. Substantially different algorithms exhibit a highly consistent performance and a strong coherency in false and missing alarms. Hence, changing the underlying hypothesis of a preictal state of fixed time length prior to each seizure to a proictal state is more helpful than further optimizing classifiers. The outcome is significant for the evaluation of seizure prediction algorithms on continuous data.
• Abstract（参考訳）: 機械学習を用いた発作予測は可能であるが、多くの誤った予測と低い特異性によって示されるように、その性能は理想とは程遠い。 ここでは、長期データセット上の2つのアルゴリズムの誤報と欠落を検証し、制限が分類器や特徴とは関係がなく、データに固有の変化があることを示す。 偽予測の相関を計算し, 両分類法間の情報伝達を推定することで, 3つのデータセット上の2つのアルゴリズムを評価した。 12人中9人が、どちらの方法も、チャンスよりも優れたパフォーマンスを示した。 すべての個人に対して,予測に正の相関が認められた。 偽予測の相関が強い個人に対しては,第2の手法の結果に基づいてテストサンプルを除外することで,一つの手法の性能を高めることができた。 実質的に異なるアルゴリズムは、誤ったアラームと行方不明のアラームにおいて高い一貫性と強い一貫性を示す。 したがって、各発作前の固定時間長の事前状態の仮説を原状態に変更することは、より最適化された分類器よりも有用である。 この結果は連続データを用いた発作予測アルゴリズムの評価に重要である。

関連論文リスト

• Prediction with Incomplete Data under Agnostic Mask Distribution Shift [35.86200694774949]
  分布シフトが存在する場合,不完全なデータによる予測について検討する。 我々は各マスクに対して、不変な最適予測器が存在するという観測を活用している。 本稿では,StableMissと呼ばれる新しい予測手法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T14:06:06Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• How to Evaluate Uncertainty Estimates in Machine Learning for Regression? [1.4610038284393165]
  両手法とも,不確実性評価の品質評価には深刻な欠陥があることが示唆された。 第一に、どちらのアプローチも、予測の不確実性を共同で生み出す別個のコンポーネントを解き放つことはできない。 第3に、予測間隔を直接テストする現在のアプローチには、さらなる欠陥がある。
  論文  参考訳（メタデータ） (2021-06-07T07:47:46Z)
• Towards optimally abstaining from prediction [22.937799541125607]
  機械学習のあらゆる領域に共通する課題は、トレーニングデータがテストデータのように分散されていないことだ。 一定のコストで予測を控えるモデルを考える。 我々は、Goldwasser、Kalais、Montasser(2020年)の最近の禁断アルゴリズムに基づいて、トランスダクティブバイナリ分類を行った。
  論文  参考訳（メタデータ） (2021-05-28T21:44:48Z)
• An algorithm-based multiple detection influence measure for high dimensional regression using expectile [0.4999814847776096]
  本稿では,アルゴリズムに基づく多段階多重検出手法を提案する。 データ中の望ましくない変数を識別し、キャプチャする3ステップのアルゴリズムである$asymMIP,$は2つの相補的な統計に基づく。 自閉症脳画像データ交換データセットへの本手法の適用により,脳の成熟度をよりバランスよく正確に予測することができた。
  論文  参考訳（メタデータ） (2021-05-26T01:16:24Z)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。