論文の概要: Challenges and Opportunities for Machine Learning Classification of
Behavior and Mental State from Images
- arxiv url: http://arxiv.org/abs/2201.11197v1
- Date: Wed, 26 Jan 2022 21:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-29 04:06:42.681345
- Title: Challenges and Opportunities for Machine Learning Classification of
Behavior and Mental State from Images
- Title（参考訳）: 画像からの行動と精神状態の機械学習分類への挑戦と機会
- Authors: Peter Washington, Cezmi Onur Mutlu, Aaron Kline, Kelley Paskov, Nate
Tyler Stockham, Brianna Chrisman, Nick Deveau, Mourya Surhabi, Nick Haber,
Dennis P. Wall
- Abstract要約: コンピュータビジョン(CV)分類器は、非言語的社会的行動と精神状態を識別し、検出する。
行動表現の過程を試みようとすると、いくつかの痛点が生じる。
データキュレーション、データ拡張、クラウドソースラベリング、アクティブラーニング、強化学習、生成モデル、表現学習、フェデレーション学習、メタラーニングなど、CVにおける最先端の研究成果について論じる。
- 参考スコア（独自算出の注目度）: 3.7445390865272588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer Vision (CV) classifiers which distinguish and detect nonverbal
social human behavior and mental state can aid digital diagnostics and
therapeutics for psychiatry and the behavioral sciences. While CV classifiers
for traditional and structured classification tasks can be developed with
standard machine learning pipelines for supervised learning consisting of data
labeling, preprocessing, and training a convolutional neural network, there are
several pain points which arise when attempting this process for behavioral
phenotyping. Here, we discuss the challenges and corresponding opportunities in
this space, including handling heterogeneous data, avoiding biased models,
labeling massive and repetitive data sets, working with ambiguous or compound
class labels, managing privacy concerns, creating appropriate representations,
and personalizing models. We discuss current state-of-the-art research
endeavors in CV such as data curation, data augmentation, crowdsourced
labeling, active learning, reinforcement learning, generative models,
representation learning, federated learning, and meta-learning. We highlight at
least some of the machine learning advancements needed for imaging classifiers
to detect human social cues successfully and reliably.
- Abstract（参考訳）: 非言語的な社会的行動や精神状態の識別と検出を行うコンピュータビジョン(CV)分類器は、精神医学や行動科学のデジタル診断や治療に役立つ。
従来型および構造化された分類タスクのためのCV分類器は、データラベリング、前処理、畳み込みニューラルネットワークのトレーニングからなる教師あり学習のための標準的な機械学習パイプラインで開発することができるが、このプロセスで行動表現を試みようとすると、いくつかの痛点が生じる。
ここでは、異種データを扱うこと、偏りのあるモデルを避けること、大規模かつ反復的なデータセットにラベルをつけること、曖昧あるいは複合的なクラスラベルを扱うこと、プライバシの懸念を管理すること、適切な表現を作成すること、パーソナライズモデルである。
データキュレーション、データ拡張、クラウドソースラベル付け、アクティブラーニング、強化学習、生成モデル、表現学習、フェデレーション学習、メタラーニングなど、cvにおける最先端の研究活動について論じる。
われわれは、画像分類器が人間の社会的手がかりを成功かつ確実に検出するために必要な機械学習の進歩を少なくともいくつか強調する。
関連論文リスト
- Exploiting Contextual Uncertainty of Visual Data for Efficient Training of Deep Models [0.65268245109828]
アクティブラーニングCDALにおける文脈多様性の概念を導入する。
モデルバイアスを低減するために、文脈的に公正なデータをキュレートするデータ修復アルゴリズムを提案する。
我々は、野生生物カメラトラップ画像の画像検索システムと、質の悪い農村道路に対する信頼性の高い警告システムの開発に取り組んでいる。
論文 参考訳（メタデータ） (2024-11-04T09:43:33Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Visual Knowledge Tracing [26.446317829793454]
本稿では,人間の学習者の進化的分類行動を追跡する新しい課題を提案する。
本研究では,学習者が使用する視覚的特徴を協調的に抽出し,活用する分類機能を予測するモデルを提案する。
以上の結果から,我々の反復モデルでは,3つの課題のある医療画像と種識別タスクに基づいて,人間の学習者の分類行動を予測することが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-07-20T19:24:57Z) - 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) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - What Matters in Learning from Offline Human Demonstrations for Robot
Manipulation [64.43440450794495]
ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。
我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。
人間のデータセットから学ぶ機会を強調します。
論文 参考訳（メタデータ） (2021-08-06T20:48:30Z) - Key Technology Considerations in Developing and Deploying Machine
Learning Models in Clinical Radiology Practice [0.0]
機械学習研究者は、モデルが正確で、堅牢で、実際に利用できるようにするために、認識し、対処しなければならない重要な考慮事項のリストを提案する。
すなわち、不十分なトレーニングデータ、分散データセット、高コストのアノテーション、曖昧な基底真理、クラス表現の不均衡、非対称な誤分類コスト、関連するパフォーマンス指標、モデルから未確認データセットへの一般化、モデル崩壊、逆行攻撃、説明可能性、公正さとバイアス、臨床検証について論じる。
論文 参考訳（メタデータ） (2021-02-03T09:53:43Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。