論文の概要: Benchmarking Uncertainty Qualification on Biosignal Classification Tasks
under Dataset Shift
- arxiv url: http://arxiv.org/abs/2112.09196v1
- Date: Thu, 16 Dec 2021 20:42:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 15:58:36.248833
- Title: Benchmarking Uncertainty Qualification on Biosignal Classification Tasks
under Dataset Shift
- Title(参考訳): データセットシフトによる生体信号分類課題の不確実性評価のベンチマーク
- Authors: Tong Xia, Jing Han, Cecilia Mascolo
- Abstract要約: そこで本研究では,生体信号のデータセットシフトを推定する際の不確実性を評価する枠組みを提案する。
特に、呼吸音と心電図信号に基づく3つの分類タスクを用いて、5つの代表的な不確実性判定方法のベンチマークを行う。
- 参考スコア(独自算出の注目度): 16.15816241847314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A biosignal is a signal that can be continuously measured from human bodies,
such as respiratory sounds, heart activity (ECG), brain waves (EEG), etc, based
on which, machine learning models have been developed with very promising
performance for automatic disease detection and health status monitoring.
However, dataset shift, i.e., data distribution of inference varies from the
distribution of the training, is not uncommon for real biosignal-based
applications. To improve the robustness, probabilistic models with uncertainty
qualification are adapted to capture how reliable a prediction is. Yet,
assessing the quality of the estimated uncertainty remains a challenge. In this
work, we propose a framework to evaluate the capability of the estimated
uncertainty in capturing different types of biosignal dataset shifts with
various degrees. In particular, we use three classification tasks based on
respiratory sounds and electrocardiography signals to benchmark five
representative uncertainty qualification methods. Extensive experiments show
that, although Ensemble and Bayesian models could provide relatively better
uncertainty estimations under dataset shifts, all tested models fail to meet
the promise in trustworthy prediction and model calibration. Our work paves the
way for a comprehensive evaluation for any newly developed biosignal
classifiers.
- Abstract(参考訳): バイオシグナー(biosignal)は、呼吸音、心臓活動(ECG)、脳波(EEG)などの人体から連続的に測定できる信号であり、それに基づいて、自動疾患検出および健康状態モニタリングのための非常に有望なパフォーマンスを持つ機械学習モデルが開発された。
しかし、データセットシフト、すなわち推論のデータ分布はトレーニングの分布によって異なり、実際の生体信号ベースのアプリケーションでは珍しくない。
このロバスト性を改善するために、不確実性を持つ確率モデルを適用して、予測の信頼性を捉える。
しかし、推定の不確実性の品質を評価することは依然として課題である。
本研究では,様々な種類の生体信号データセットのシフトを様々な度合いで捉える際の不確実性の推定能力を評価する枠組みを提案する。
特に、呼吸音と心電図信号に基づく3つの分類タスクを用いて、5つの代表的な不確実性判定方法のベンチマークを行う。
大規模な実験により、EnsembleとBayesianモデルはデータセットシフトの下で比較的優れた不確実性推定を提供するが、全ての試験されたモデルは信頼に値する予測とモデルのキャリブレーションの約束を満たさないことが示された。
本研究は,新たに開発された生体信号分類器の総合的な評価方法である。
関連論文リスト
- All Thresholds Barred: Direct Estimation of Call Density in Bioacoustic
Data [1.7916003204531015]
本研究では,データ単位の呼び出し密度を推定するための検証手法を提案する。
我々はこれらの分布を用いて、分布シフトの対象となるサイトレベルの密度を予測する。
論文 参考訳(メタデータ) (2024-02-23T14:52:44Z) - Semi-Supervised Deep Regression with Uncertainty Consistency and
Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。
整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。
実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-15T10:40:51Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳(メタデータ) (2023-01-03T11:34:36Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳(メタデータ) (2022-06-09T13:06:51Z) - Modeling Disagreement in Automatic Data Labelling for Semi-Supervised
Learning in Clinical Natural Language Processing [2.016042047576802]
放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
論文 参考訳(メタデータ) (2022-05-29T20:20:49Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。