論文の概要: A Novel Ontology-guided Attribute Partitioning Ensemble Learning Model for Early Prediction of Cognitive Deficits using Quantitative Structural MRI in Very Preterm Infants

• arxiv url: http://arxiv.org/abs/2202.04134v1
• Date: Tue, 8 Feb 2022 20:26:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-10 15:42:45.508034
• Title: A Novel Ontology-guided Attribute Partitioning Ensemble Learning Model for Early Prediction of Cognitive Deficits using Quantitative Structural MRI in Very Preterm Infants
• Title（参考訳）: 幼児期における定量的構造MRIを用いた認知障害早期予測のためのオントロジー誘導属性分割学習モデル
• Authors: Zhiyuan Li, Hailong Li, Adebayo Braimah, Jonathan R. Dillman, Nehal A.Parikh, Lili He
• Abstract要約: 脳の成熟と幾何学的特徴は、後の神経発達障害を予測する機械学習モデルで利用することができる。 我々は,OAPアンサンブル学習(OAP-EL)と呼ばれるアンサンブル学習フレームワークを開発した。 OAP-ELを用いて2歳児の認知障害を定量的な脳成熟度と形態的特徴を用いて予測した。
• 参考スコア（独自算出の注目度）: 3.731292216299279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural magnetic resonance imaging studies have shown that brain anatomical abnormalities are associated with cognitive deficits in preterm infants. Brain maturation and geometric features can be used with machine learning models for predicting later neurodevelopmental deficits. However, traditional machine learning models would suffer from a large feature-to-instance ratio (i.e., a large number of features but a small number of instances/samples). Ensemble learning is a paradigm that strategically generates and integrates a library of machine learning classifiers and has been successfully used on a wide variety of predictive modeling problems to boost model performance. Attribute (i.e., feature) bagging method is the most commonly used feature partitioning scheme, which randomly and repeatedly draws feature subsets from the entire feature set. Although attribute bagging method can effectively reduce feature dimensionality to handle the large feature-to-instance ratio, it lacks consideration of domain knowledge and latent relationship among features. In this study, we proposed a novel Ontology-guided Attribute Partitioning (OAP) method to better draw feature subsets by considering domain-specific relationship among features. With the better partitioned feature subsets, we developed an ensemble learning framework, which is referred to as OAP Ensemble Learning (OAP-EL). We applied the OAP-EL to predict cognitive deficits at 2 year of age using quantitative brain maturation and geometric features obtained at term equivalent age in very preterm infants. We demonstrated that the proposed OAP-EL approach significantly outperformed the peer ensemble learning and traditional machine learning approaches.
• Abstract（参考訳）: 構造磁気共鳴画像による研究により、脳の解剖学的異常は早産児の認知障害と関連していることが示された。 脳の成熟と幾何学的特徴は、後の神経発達障害を予測する機械学習モデルで利用することができる。 しかし、従来の機械学習モデルは、大きな機能対インスタンス比(つまり、多数の機能を持つが、少数のインスタンス/サンプル)に悩まされる。 アンサンブル学習は、機械学習分類器のライブラリを戦略的に生成し統合するパラダイムであり、モデル性能を向上させるために様々な予測モデリング問題でうまく使われている。 属性(すなわち、機能)バッキングメソッドは、機能セット全体から機能サブセットをランダムに繰り返し引き出す、最も一般的に使用される機能分割スキームである。 属性バッジ法は,大きな特徴量比を扱うために,特徴次元を効果的に削減できるが,ドメイン知識や特徴間の潜伏関係は考慮されていない。 本研究では,機能間のドメイン固有の関係を考慮し,特徴部分集合を描画する新しいオントロジー誘導属性分割(oap)法を提案する。 より分割された機能サブセットを用いて,OAPアンサンブル学習(OAP-EL)と呼ばれるアンサンブル学習フレームワークを開発した。 本研究は,超早産児の定量的脳成熟度と短期同年齢時の幾何学的特徴を用いて,2歳児の認知障害の予測にoap-elを適用した。 我々は,提案手法がピアアンサンブル学習や従来の機械学習手法を大きく上回ることを示した。

関連論文リスト

• Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
  静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。 深層学習はこれらの表現を捉えることを約束している。 本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
  論文  参考訳（メタデータ） (2024-10-30T23:51:31Z)
• SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
  脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。 脳年齢はMRIと機械学習技術を用いて予測できる。 我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
  論文  参考訳（メタデータ） (2024-06-01T08:58:40Z)
• BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
  ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。 9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。 これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
  論文  参考訳（メタデータ） (2023-09-12T02:42:11Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Is the Computation of Abstract Sameness Relations Human-Like in Neural Language Models? [4.0810783261728565]
  この研究は、人間の認知から知られている基本的なメカニズムを、最先端のNLPモデルが示すかどうかを考察する。 抽象的同性関係」の計算は、人間の言語習得と処理において重要な役割を果たしていると考えられている。
  論文  参考訳（メタデータ） (2022-05-12T15:19:54Z)
• 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)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。