論文の概要: Multi-Scored Sleep Databases: How to Exploit the Multiple-Labels in Automated Sleep Scoring

• arxiv url: http://arxiv.org/abs/2207.01910v2
• Date: Wed, 6 Jul 2022 08:24:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 11:59:12.341615
• Title: Multi-Scored Sleep Databases: How to Exploit the Multiple-Labels in Automated Sleep Scoring
• Title（参考訳）: マルチスリープデータベース:自動睡眠スコアリングにおけるマルチラベルの活用法
• Authors: Luigi Fiorillo, Davide Pedroncelli, Valentina Agostini, Paolo Favaro, Francesca Dalia Faraci
• Abstract要約: ラベル平滑化手法とソフトコンセンサス分布を併用して,モデルのトレーニング手順に複数の知識を挿入する。 我々は,平均コサイン類似度指標を導入し,-LSSCを用いたモデルで生成されたハイドノデンシティグラフとスコアラーコンセンサスで生成されたハイドノデンシティグラフとの類似度を定量化する。
• 参考スコア（独自算出の注目度）: 19.24428734909019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Study Objectives: Inter-scorer variability in scoring polysomnograms is a well-known problem. Most of the existing automated sleep scoring systems are trained using labels annotated by a single scorer, whose subjective evaluation is transferred to the model. When annotations from two or more scorers are available, the scoring models are usually trained on the scorer consensus. The averaged scorer's subjectivity is transferred into the model, losing information about the internal variability among different scorers. In this study, we aim to insert the multiple-knowledge of the different physicians into the training procedure.The goal is to optimize a model training, exploiting the full information that can be extracted from the consensus of a group of scorers. Methods: We train two lightweight deep learning based models on three different multi-scored databases. We exploit the label smoothing technique together with a soft-consensus (LSSC) distribution to insert the multiple-knowledge in the training procedure of the model. We introduce the averaged cosine similarity metric (ACS) to quantify the similarity between the hypnodensity-graph generated by the models with-LSSC and the hypnodensity-graph generated by the scorer consensus. Results: The performance of the models improves on all the databases when we train the models with our LSSC. We found an increase in ACS (up to 6.4%) between the hypnodensity-graph generated by the models trained with-LSSC and the hypnodensity-graph generated by the consensus. Conclusions: Our approach definitely enables a model to better adapt to the consensus of the group of scorers. Future work will focus on further investigations on different scoring architectures.
• Abstract（参考訳）: 研究対象:ポリソムノグラムのスコアリングにおけるスカラー間変動はよく知られた問題である。 既存の自動睡眠スコアリングシステムの多くは、1つのスコアラーがアノテートしたラベルを用いてトレーニングされ、その主観評価はモデルに転送される。 2つ以上のスコアラーからのアノテーションが利用できる場合、スコアラーのコンセンサスに基づいてスコアモデルがトレーニングされる。 平均スコアラーの主観性はモデルに伝達され、異なるスコアラーの内部変動に関する情報が失われる。 本研究では,異なる医師の複数知識をトレーニング手順に挿入することを目的として,スコアラーのグループのコンセンサスから抽出できる全情報を活用して,モデルトレーニングを最適化することを目的とする。 方法:3つの異なるマルチスコープデータベースに基づいて2つの軽量ディープラーニングモデルを訓練する。 ラベル平滑化手法とLSSC(Soft-Consensus)分布を併用して,モデルのトレーニング手順に多重知識を挿入する。 本稿では,平均コサイン類似度指標(acs)を導入し,モデル with-lssc が生成するヒップノード類似度グラフとスコアラーコンセンサスが生成するヒップノード類似度グラフとの類似度を定量化する。 結果:LSSCでモデルをトレーニングすると,モデルの性能がすべてのデータベースで向上する。 その結果,ALSはLSSCで訓練したモデルで生成した催眠性グラフとコンセンサスで生成した催眠性グラフとの間に6.4%増加していた。 結論:我々のアプローチは間違いなく、スコアラーのグループのコンセンサスに適応するモデルを可能にします。 今後の作業では、さまざまなスコアリングアーキテクチャに関するさらなる調査に注力する予定である。

関連論文リスト

• Deep Unlearn: Benchmarking Machine Unlearning [7.450700594277741]
  機械学習(MU)は、訓練された機械学習モデルの学習可能なパラメータから、特定のデータポイントの影響を取り除くことを目的としている。 本稿では,様々なベンチマークデータセットおよびモデルを対象とした18種類の最先端MU手法について検討する。
  論文  参考訳（メタデータ） (2024-10-02T06:41:58Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Modeling and Analyzing Scorer Preferences in Short-Answer Math Questions [2.277447144331876]
  自動スコアリングタスクにおいて,個々のスコアラーの好みや傾向を考慮に入れたモデルの収集について検討する。 得点者の個人の嗜好や傾向を分析するために,定量的実験とケーススタディを実施している。
  論文  参考訳（メタデータ） (2023-06-01T15:22:05Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Resilience from Diversity: Population-based approach to harden models against adversarial attacks [0.0]
  この研究は、敵の攻撃に対して回復力のあるモデルを導入する。 我々のモデルは、生物科学から確立された原則を生かし、人口多様性は環境変化に対して弾力性を生み出す。 Counter-Linked Model (CLM) は、周期的ランダム類似性検査を行う同じアーキテクチャのサブモデルで構成されている。
  論文  参考訳（メタデータ） (2021-11-19T15:22:21Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems [64.4896118325552]
  モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。 AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
  論文  参考訳（メタデータ） (2020-07-14T03:49:43Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。