Fugu-MT 論文翻訳(概要): Autoencoder-based Attribute Noise Handling Method for Medical Data

論文の概要: Autoencoder-based Attribute Noise Handling Method for Medical Data

arxiv url: http://arxiv.org/abs/2206.10609v1
Date: Mon, 20 Jun 2022 08:17:11 GMT
ステータス: 処理完了
システム内更新日: 2022-06-23 14:51:43.394805
Title: Autoencoder-based Attribute Noise Handling Method for Medical Data
Title（参考訳）: 医療データのオートエンコーダに基づく属性雑音処理方法
Authors: Thomas Ranvier (LIRIS, DM2L), Haytham Elgazel (LIRIS, DM2L), Emmanuel Coquery (LIRIS), Khalid Benabdeslem (LIRIS, DM2L)
Abstract要約: 医療データセットは、特に属性ノイズ、すなわち、欠落と誤検出の対象となる。本稿では,属性ノイズによる混合型表型データの補正が可能な,単純なオートエンコーダに基づく事前処理手法を提案する。提案手法は, 実世界の医療データセットにおいて, 最先端の計算法とノイズ補正法の両方に優れることを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical datasets are particularly subject to attribute noise, that is, missing and erroneous values. Attribute noise is known to be largely detrimental to learning performances. To maximize future learning performances it is primordial to deal with attribute noise before any inference. We propose a simple autoencoder-based preprocessing method that can correct mixed-type tabular data corrupted by attribute noise. No other method currently exists to handle attribute noise in tabular data. We experimentally demonstrate that our method outperforms both state-of-the-art imputation methods and noise correction methods on several real-world medical datasets.
Abstract（参考訳）: 医療データセットは、特に属性ノイズ、すなわち欠落値や誤った値の対象となる。属性ノイズは、主に学習パフォーマンスに有害であることが知られている。将来の学習性能を最大化するには、推論の前に属性ノイズを扱うことが優先される。本稿では,属性雑音による混合型表データ補正が可能な簡易オートエンコーダ型前処理法を提案する。表データに属性ノイズを扱う他の方法は存在しない。提案手法は, 実世界の医療データセットにおいて, 最先端の計算法とノイズ補正法の両方に優れることを示した。

関連論文リスト

Dataset Distillers Are Good Label Denoisers In the Wild [16.626153947696743]
ノイズ除去にデータセット蒸留を利用する新しい手法を提案する。本手法は,既存の手法に共通するフィードバックループを回避し,訓練効率を向上させる。各種ノイズ条件下での3つの代表的なデータセット蒸留法(DATM, DANCE, RCIG)を厳格に評価した。
論文参考訳（メタデータ） (2024-11-18T06:26:41Z)
Improving Noise Robustness through Abstractions and its Impact on Machine Learning [2.6563873893593826]
ノイズは機械学習(ML)手法の適用に大きな影響を与える学習理論の基本的な問題である。本稿では,データ抽象化を用いてノイズを緩和する手法を提案する。目標は、抽象化によって生成された情報の損失を通じて、モデルの性能に対するノイズの影響を減らすことである。
論文参考訳（メタデータ） (2024-06-12T17:14:44Z)
NoiseBench: Benchmarking the Impact of Real Label Noise on Named Entity Recognition [3.726602636064681]
そこで本研究では,実雑音がシミュレーションノイズよりもはるかに難易度が高いことを示す。ノイズロスト学習の最先端モデルが理論的に達成可能な上限よりもはるかに低くなることを示す。
論文参考訳（メタデータ） (2024-05-13T10:20:31Z)
SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文参考訳（メタデータ） (2024-03-21T08:49:34Z)
Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2024-03-11T16:22:41Z)
Sample selection with noise rate estimation in noise learning of medical image analysis [3.9934250802854376]
本稿では,ノイズの多いデータセットでトレーニングされた場合のニューラルネットワークの性能を向上させる新しいサンプル選択手法を提案する。本手法では,線形回帰を用いて損失値の分布を解析することにより,データセットの雑音率を推定する。モデルのノイズ堅牢性をさらに高めるために,スパース正規化を採用している。
論文参考訳（メタデータ） (2023-12-23T11:57:21Z)
Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文参考訳（メタデータ） (2022-12-20T00:33:11Z)
Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文参考訳（メタデータ） (2022-06-04T08:48:02Z)
Hard Sample Aware Noise Robust Learning for Histopathology Image Classification [4.75542005200538]
病理組織像分類のための新しいハードサンプル認識型ノイズロバスト学習法を提案する。本研究は, 難燃性難燃性試料と難燃性試料とを識別するため, 簡易・難燃性検出モデルを構築した。本稿では,雑音抑圧・高強度化(NSHE)方式を提案する。
論文参考訳（メタデータ） (2021-12-05T11:07:55Z)
Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。我々の枠組みは概して中～高騒音レベルにおいて優れています。
論文参考訳（メタデータ） (2021-05-27T13:49:31Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。