論文の概要: Transformers for prompt-level EMA non-response prediction

• arxiv url: http://arxiv.org/abs/2111.01193v1
• Date: Mon, 1 Nov 2021 18:38:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:04:15.333073
• Title: Transformers for prompt-level EMA non-response prediction
• Title（参考訳）: プロンプトレベルEMA非応答予測のためのトランスフォーマ
• Authors: Supriya Nagesh, Alexander Moreno, Stephanie M. Carpenter, Jamie Yap, Soujanya Chatterjee, Steven Lloyd Lizotte, Neng Wan, Santosh Kumar, Cho Lam, David W. Wetter, Inbal Nahum-Shani, James M. Rehg
• Abstract要約: エコロジー・モメンタリー・アセスメント(Ecological Momentary Assessments、EMA)は、認知状態、影響、行動、環境要因を測定するための重要な心理的データ源である。 参加者がEMAプロンプトに反応しない非応答は、内因性問題である。 非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用することができる。
• 参考スコア（独自算出の注目度）: 62.41658786277712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ecological Momentary Assessments (EMAs) are an important psychological data source for measuring current cognitive states, affect, behavior, and environmental factors from participants in mobile health (mHealth) studies and treatment programs. Non-response, in which participants fail to respond to EMA prompts, is an endemic problem. The ability to accurately predict non-response could be utilized to improve EMA delivery and develop compliance interventions. Prior work has explored classical machine learning models for predicting non-response. However, as increasingly large EMA datasets become available, there is the potential to leverage deep learning models that have been effective in other fields. Recently, transformer models have shown state-of-the-art performance in NLP and other domains. This work is the first to explore the use of transformers for EMA data analysis. We address three key questions in applying transformers to EMA data: 1. Input representation, 2. encoding temporal information, 3. utility of pre-training on improving downstream prediction task performance. The transformer model achieves a non-response prediction AUC of 0.77 and is significantly better than classical ML and LSTM-based deep learning models. We will make our a predictive model trained on a corpus of 40K EMA samples freely-available to the research community, in order to facilitate the development of future transformer-based EMA analysis works.
• Abstract（参考訳）: eco momentary assessments (emas)は、モバイルヘルス(mhealth)研究や治療プログラムの参加者から現在の認知状態、影響、行動、環境要因を測定する上で重要な心理学的データソースである。 参加者がEMAプロンプトに反応しない非応答は、内因性問題である。 非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用できる。 先行研究は、非応答を予測するために古典的な機械学習モデルを探求した。 しかし、ますます大規模なEMAデータセットが利用可能になるにつれて、他の分野で有効であったディープラーニングモデルを活用する可能性がある。 近年,NLPなどの領域ではトランスフォーマーモデルの性能が向上している。 この研究は、EMAデータ分析におけるトランスフォーマーの利用を初めて探求したものである。 EMAデータにトランスフォーマーを適用する際の3つの重要な問題に対処する。 1.入力表現,入力表現 2. 時間情報のエンコーディング 3. 下流予測タスク性能向上のための事前学習の有用性 トランスモデルは0.77の非応答予測AUCを実現し、従来のMLやLSTMベースのディープラーニングモデルよりも大幅に優れている。 我々は,40K EMAサンプルのコーパスで学習した予測モデルを研究コミュニティに無償で提供し,将来的なトランスフォーマーベースのEMA分析作業の開発を促進する。

関連論文リスト

• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
  本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。 特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。 このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
  論文  参考訳（メタデータ） (2023-12-04T22:51:02Z)
• Transfer Learning on Electromyography (EMG) Tasks: Approaches and Beyond [8.167024471353]
  本調査は,EMG関連分析における既存の転写学習手法の生物学的基礎に関する知見を提供することを目的としている。 まず,筋の生理構造と筋電図生成機構を紹介する。 既存の研究成果を,データベース,モデルベース,トレーニングスキームベース,敵ベースに分類する。
  論文  参考訳（メタデータ） (2022-10-03T11:57:48Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• A Brief Survey of Machine Learning Methods for Emotion Prediction using Physiological Data [0.974672460306765]
  本稿では,スマートフォンや生理データをリアルタイムに予測するための機械学習手法について検討する。 本稿では,正確な感情予測を実現するための機械学習手法の多様性を示す。 今後の作業では、以下の問題を考慮し、パフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2022-01-17T19:46:12Z)
• Pre-training and Fine-tuning Transformers for fMRI Prediction Tasks [69.85819388753579]
  TFFはトランスフォーマーベースのアーキテクチャと2フェーズのトレーニングアプローチを採用している。 自己教師付きトレーニングは、fMRIスキャンのコレクションに適用され、モデルが3Dボリュームデータの再構成のために訓練される。 その結果、年齢や性別の予測、統合失調症認知など、さまざまなfMRIタスクにおける最先端のパフォーマンスが示された。
  論文  参考訳（メタデータ） (2021-12-10T18:04:26Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Neural Transfer Learning with Transformers for Social Science Text Analysis [0.0]
  トランスフォーマーベースのトランスフォーマー学習モデルは、比較的少数のトレーニングデータインスタンスで高い予測精度を達成する可能性がある。 本稿は、これらのメソッドがどのように機能するか、なぜ有利なのか、その制限は何かを説明します。
  論文  参考訳（メタデータ） (2021-02-03T15:41:20Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。