論文の概要: Continual learning of longitudinal health records

• arxiv url: http://arxiv.org/abs/2112.11944v1
• Date: Wed, 22 Dec 2021 15:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 16:56:36.267126
• Title: Continual learning of longitudinal health records
• Title（参考訳）: 縦断健康記録の連続学習
• Authors: J. Armstrong, D. Clifton
• Abstract要約: 縦ICUデータに対する連続学習手法の評価を行った。 短期的忘れを緩和する手法はいくつかあるが、ドメインシフトは大規模なタスクに対して難しい問題である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning denotes machine learning methods which can adapt to new environments while retaining and reusing knowledge gained from past experiences. Such methods address two issues encountered by models in non-stationary environments: ungeneralisability to new data, and the catastrophic forgetting of previous knowledge when retrained. This is a pervasive problem in clinical settings where patient data exhibits covariate shift not only between populations, but also continuously over time. However, while continual learning methods have seen nascent success in the imaging domain, they have been little applied to the multi-variate sequential data characteristic of critical care patient recordings. Here we evaluate a variety of continual learning methods on longitudinal ICU data in a series of representative healthcare scenarios. We find that while several methods mitigate short-term forgetting, domain shift remains a challenging problem over large series of tasks, with only replay based methods achieving stable long-term performance. Code for reproducing all experiments can be found at https://github.com/iacobo/continual
• Abstract（参考訳）: 連続学習とは、過去の経験から得られた知識を維持し、再利用しながら、新しい環境に適応できる機械学習の手法を指す。 このような方法では、非定常環境でモデルが直面する2つの問題に対処している。 これは、患者データが集団間だけでなく、時間の経過とともに連続的に共変変化を示す臨床場面で広く見られる問題である。 しかし, 画像領域では, 連続学習手法が初発的成功をおさめているが, クリティカルケア患者の記録における多変量逐次データの特徴についてはほとんど適用されていない。 本稿では,縦型ICUデータに対する連続的な学習手法を,一連の代表的な医療シナリオで評価する。 短期記憶を緩和する手法はいくつかあるが、ドメインシフトは大規模なタスクよりも難しい問題であり、リプレイベースのメソッドのみが安定した長期的なパフォーマンスを達成する。 すべての実験を再現するためのコードはhttps://github.com/iacobo/continual.comにある。

関連論文リスト

• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [100.7407460674153]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 問題を緩和するため、新しいタスクを学ぶ際に経験豊富なタスクのデータを再生する手法が提案されている。 しかし、メモリ制約やデータプライバシーの問題を考慮すると、実際には期待できない。 代替として、分類モデルからサンプルを反転させることにより、データフリーなデータ再生法を提案する。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch? [8.691839346510116]
  経験の再現は、よく知られた連続学習法である。 我々は,リプレイが肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることを示した。 実験の結果,リプレイは肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることがわかった。
  論文  参考訳（メタデータ） (2022-10-27T00:32:13Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)
• Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation [0.46023882211671957]
  医用画像の深層学習は、データ可用性に関する時間的およびプライバシー関連の制約に悩まされている。 本稿では,2つ以上のデータセットの同時可用性を活用して,コンテンツとドメイン間の絡み合いを学習するアーキテクチャを提案する。 本手法は破滅的な忘れ込みを減らし,最先端の継続的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-19T10:55:21Z)
• What is Wrong with Continual Learning in Medical Image Segmentation? [1.2020488155038649]
  連続的な学習プロトコルは、医療画像コミュニティから注目を集めている。 連続的な設定では、異なるソースからのデータが順次到着し、各バッチは限られた期間しか利用できない。 このベンチマークは,T2重み付きMR前立腺セグメンテーションのタスクにおいて,2つの一般的な連続学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-21T13:48:37Z)

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。