Fugu-MT 論文翻訳(概要): Modified ResNet Model for MSI and MSS Classification of Gastrointestinal Cancer

論文の概要: Modified ResNet Model for MSI and MSS Classification of Gastrointestinal Cancer

arxiv url: http://arxiv.org/abs/2202.01905v1
Date: Thu, 3 Feb 2022 23:16:46 GMT
ステータス: 処理完了
システム内更新日: 2022-02-07 16:11:46.456578
Title: Modified ResNet Model for MSI and MSS Classification of Gastrointestinal Cancer
Title（参考訳）: 胃癌のMSIおよびMSS分類のためのResNetモデルの改良
Authors: CH Sai Venkatesh, Caleb Meriga, M.G.V.L Geethika, T Lakshmi Gayatri, V.B.K.L Aruna
Abstract要約: このモデルの性能を解析し,既存モデルと比較する。提案したモデルは0.8981、F1スコア0.9178の既存のモデルを上回った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, a modified ResNet model is proposed for the classification of Microsatellite instability(MSI) and Microsatellite stability(MSS) of gastrointestinal cancer. The performance of this model is analyzed and compared with existing models. The proposed model surpassed the existing models with an accuracy of 0.8981 and F1 score of 0.9178.
Abstract（参考訳）: 本研究では,消化器癌のマイクロサテライト不安定性(MSI)とマイクロサテライト安定性(MSS)の分類に改良されたResNetモデルを提案する。このモデルの性能を解析し,既存モデルと比較する。提案モデルは0.8981点,f1点0.9178点の精度で既存モデルを上回った。

関連論文リスト

CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文参考訳（メタデータ） (2024-11-10T02:40:06Z)
Machine Learning-Driven Optimization of TPMS Architected Materials Using Simulated Annealing [0.0]
本研究は,3周期最小表面(TPMS)構造の引張応力を機械学習とシミュレートアニーリング(SA)により最適化する新しい手法を提案する。本研究は, TPMSモデルの有限要素解析から得られたデータセットを用いて, 応力予測におけるランダムフォレスト, 決定木およびXGBoostモデルの性能を評価する。
論文参考訳（メタデータ） (2024-05-28T05:06:37Z)
EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文参考訳（メタデータ） (2024-05-23T05:25:45Z)
Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文参考訳（メタデータ） (2024-03-11T05:35:38Z)
MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts [2.6764607949560593]
MoE-AMCは、Mixture-of-Experts (MoE)ベースの新しいモデルで、AMC(Automatic Modulation Classification)にバランスよく対処するために開発された。 MoE-AMCは低SNR信号を扱うLSRMと高SNR信号を扱うHSRMの強度をシームレスに結合する。実験の結果、MoE-AMCはSNRレベルによって71.76%の平均的な分類精度を達成し、以前のSOTAモデルの性能を10%近く上回った。
論文参考訳（メタデータ） (2023-12-04T19:31:15Z)
Stability and L2-penalty in Model Averaging [0.0]
統計的学習理論からの安定性をモデル平均化に導入する。安定性は、モデル平均化が適切な条件下での優れた性能と一貫性を確実にすることを示す。また,モデル重みを制限しないL2ペナルティモデル平均化法を提案し,安定性と整合性を証明した。
論文参考訳（メタデータ） (2023-11-23T07:11:15Z)
On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-09T17:12:32Z)
CAMERO: Consistency Regularized Ensemble of Perturbed Language Models with Weight Sharing [83.63107444454938]
本稿では,CAMEROと呼ばれる摂動モデルに基づく一貫性規則化アンサンブル学習手法を提案する。具体的には、すべてのモデルで底層重みを共有し、異なるモデルの隠れ表現に異なる摂動を適用し、モデルの多様性を効果的に促進することができる。大規模言語モデルを用いた実験により,CAMEROはアンサンブルモデルの一般化性能を大幅に向上することが示された。
論文参考訳（メタデータ） (2022-04-13T19:54:51Z)
Residual-Based Adaptive Coefficient and Noise-Immunity ZNN for Perturbed Time-Dependent Quadratic Minimization [6.735657356113612]
時間依存二次問題(TDQM)は多くの応用や研究プロジェクトに見られる。ゼロリングニューラルネットワーク(ZNN)モデルはTDQM問題を効果的に解くことができると報告されている。本稿では,積分項付き残差係数ゼロリングニューラルネットワーク(RACZNN)モデルを提案する。
論文参考訳（メタデータ） (2021-12-03T08:10:24Z)
On the Stochastic Stability of Deep Markov Models [2.417285483528549]
ディープマルコフモデル(ディープマルコフモデル、英: Deep Markov model、DMM)は、マルコフモデルの表現、学習、推論問題に対するスケーラブルな一般化である。動的システムの文脈で定義されたDMMの確率安定性の十分な条件を提供する。安定度を保証した制約付きDMMを設計するための実用的な方法をいくつか提案する。
論文参考訳（メタデータ） (2021-11-08T16:14:37Z)
Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。