Fugu-MT 論文翻訳(概要): Research on Question Classification Methods in the Medical Field

論文の概要: Research on Question Classification Methods in the Medical Field

arxiv url: http://arxiv.org/abs/2202.00298v1
Date: Tue, 1 Feb 2022 09:58:30 GMT
ステータス: 処理完了
システム内更新日: 2022-02-02 20:58:38.054829
Title: Research on Question Classification Methods in the Medical Field
Title（参考訳）: 医療分野における質問分類手法に関する研究
Authors: Jinzhang Liu
Abstract要約: 本稿では,医療分野における質問分類のためのデータセットを提案する。実験の結果,提案手法は質問分類の性能を効果的に向上させることができることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Question classification is one of the important links in the research of question and answering system. The existing question classification models are more trained on public data sets. At present, there is a lack of question classification data sets in specific fields, especially in the medical field. To make up for this gap, this paper presents a data set for question classification in the medical field. Moreover, this paper proposes a multi-dimensional extraction of the characteristics of the question by combining multiple neural network models, and proposes a question classification model based on multi-dimensional feature extraction. The experimental results show that the proposed method can effectively improve the performance of question classification.
Abstract（参考訳）: 質問分類は質問・回答システム研究における重要なリンクの一つである。既存の質問分類モデルは、公開データセットでより訓練されている。現在、特定の分野、特に医療分野において、質問分類データセットが不足している。このギャップを補うために,医療分野における質問分類のためのデータセットを提案する。さらに,複数のニューラルネットワークモデルを組み合わせて質問の特徴を多次元的に抽出する手法を提案し,多次元特徴抽出に基づく質問分類モデルを提案する。実験の結果,提案手法は質問分類の性能を効果的に向上できることがわかった。

関連論文リスト

Large Language Models for Multi-Choice Question Classification of Medical Subjects [0.2020207586732771]
我々は, 深層ニューラルネットワークを用いて, 被ばく被ばく被ばく者への質問の分類を行う。医療分野におけるマルチクラス化タスクにおいて,AI と LLM の能力について述べる。
論文参考訳（メタデータ） (2024-03-21T17:36:08Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Hyperspectral Image Analysis with Subspace Learning-based One-Class Classification [18.786429304405097]
ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。 LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
論文参考訳（メタデータ） (2023-04-19T15:17:05Z)
Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文参考訳（メタデータ） (2022-03-21T09:57:20Z)
Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文参考訳（メタデータ） (2021-10-31T16:15:09Z)
Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文参考訳（メタデータ） (2021-09-28T00:53:34Z)
A Framework for Multi-View Classification of Features [6.660458629649826]
データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
論文参考訳（メタデータ） (2021-08-02T16:27:43Z)
Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文参考訳（メタデータ） (2021-05-01T13:19:02Z)
Evaluating Nonlinear Decision Trees for Binary Classification Tasks with Other Existing Methods [8.870380386952993]
データセットを2つ以上の異なるクラスに分類することは、機械学習の重要なタスクである。多くのメソッドは、テストデータに対して非常に高い精度でバイナリ分類タスクを分類することができるが、容易に解釈可能な説明を提供することはできない。我々は、最近提案された非線形決定木アプローチを、多くのデータセットでよく使われている分類手法で強調し、評価する。
論文参考訳（メタデータ） (2020-08-25T00:00:23Z)

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。