Fugu-MT 論文翻訳(概要): Collaborative Machine Learning-Driven Internet of Medical Things -- A Systematic Literature Review

論文の概要: Collaborative Machine Learning-Driven Internet of Medical Things -- A Systematic Literature Review

arxiv url: http://arxiv.org/abs/2207.06416v1
Date: Wed, 13 Jul 2022 12:28:17 GMT
ステータス: 処理完了
システム内更新日: 2022-07-16 08:58:18.234450
Title: Collaborative Machine Learning-Driven Internet of Medical Things -- A Systematic Literature Review
Title（参考訳）: コラボレーティブな機械学習駆動医療モノのインターネット - 体系的文献レビュー
Authors: Rohit Shaw
Abstract要約: 医療におけるIoTデバイスの採用の増加により、研究者はこれらのデバイスによって生成されたすべてのデータを使用して、インテリジェンスを構築することが可能になった。健康のモニタリングと診断は、そのようなデバイスが有益であることが証明された2つの最も一般的なシナリオである。高い予測精度を達成することが最初は最優先事項であったが、焦点は徐々に効率と高いスループットにシフトしている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The growing adoption of IoT devices for healthcare has enabled researchers to build intelligence using all the data produced by these devices. Monitoring and diagnosing health have been the two most common scenarios where such devices have proven beneficial. Achieving high prediction accuracy was a top priority initially, but the focus has slowly shifted to efficiency and higher throughput, and processing the data from these devices in a distributed manner has proven to help achieve both. Since the field of machine learning is vast with numerous state-of-the-art algorithms in play, it has been a challenge to identify the algorithms that perform best in different scenarios. In this literature review, we explored the distributed machine learning algorithms tested by the authors of the selected studies and identified the ones that achieved the best prediction accuracy in each healthcare scenario. While no algorithm performed consistently, Random Forest performed the best in a few studies. This could serve as a good starting point for future studies on collaborative machine learning on IoMT data.
Abstract（参考訳）: iotデバイスのヘルスケアへの普及により、研究者はこれらのデバイスが生成するすべてのデータを使用してインテリジェンスを構築することが可能になった。健康状態の監視と診断は、そのようなデバイスが有益であることを証明した2つの最も一般的なシナリオである。当初、高い予測精度を達成することが最優先事項であったが、その焦点は徐々に効率と高いスループットにシフトし、これらのデバイスからデータを分散処理することで両方を達成することが証明された。機械学習の分野は数多くの最先端のアルゴリズムが活躍しているため、異なるシナリオで最高の処理を行うアルゴリズムを特定することは困難である。この文献レビューでは、選択した研究の著者らがテストした分散機械学習アルゴリズムを調査し、各医療シナリオにおいて最適な予測精度を達成したものを特定した。アルゴリズムは一貫して実行されなかったが、ランダムフォレストはいくつかの研究で最善を尽くした。このことは、IoMTデータにおける協調機械学習の今後の研究の出発点となるかもしれない。

関連論文リスト

Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases [0.0]
機械学習技術を用いた心血管疾患(CVD)の検出は、医学的診断において大きな進歩を示している。本研究では,ロジスティック回帰,決定木,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン(SVM),K-Nearest Neighbors(KNN),XGBoostなど,さまざまな機械学習アルゴリズムの比較分析を行った。本研究は,アンサンブル法と高度なアルゴリズムを用いて信頼性の高い予測を行い,CVD検出のための包括的枠組みを提供する。
論文参考訳（メタデータ） (2024-05-27T11:29:54Z)
Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文参考訳（メタデータ） (2023-08-10T13:19:10Z)
IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
論文参考訳（メタデータ） (2023-01-31T01:24:45Z)
Survey of Machine Learning Techniques To Predict Heartbeat Arrhythmias [0.0]
機械学習技術は、病院のライブフィードから抽出したデータのリアルタイム分析では実現できないかもしれない。このプロジェクトでは、さまざまな機械学習技術を比較して、高い精度だけでなく、実際の医療システムで使用されるレイテンシやメモリオーバーヘッドの低いものを見つける。
論文参考訳（メタデータ） (2022-08-22T17:33:59Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Explainable predictions of different machine learning algorithms used to predict Early Stage diabetes [0.0]
糖尿病はいくつかの機械学習アルゴリズムで容易に診断できる。本稿では、ランダムフォレスト、決定木、人工ニューラルネットワーク、K Nearest Neighbor、Support Vector Machine、XGBoostといった機械学習アルゴリズムの比較分析を行った。実験結果によると、ランダムフォレストアルゴリズムは、この特定のデータセットで99%の精度で他のアルゴリズムよりも優れています。
論文参考訳（メタデータ） (2021-11-18T20:29:03Z)
Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文参考訳（メタデータ） (2021-11-09T13:30:34Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
A summary of the prevalence of Genetic Algorithms in Bioinformatics from 2015 onwards [0.0]
遺伝的アルゴリズムは完全なアプリケーションを作ることは滅多になく、サポートベクターマシンのような他の重要なアルゴリズムに依存している。 GAのような人口ベースの検索は、しばしば他の機械学習アルゴリズムと組み合わせられる。遺伝的アルゴリズムの未来は、複雑さを高め、多様な解決策を見つけようとするオープンエンド進化アルゴリズムかもしれない。
論文参考訳（メタデータ） (2020-08-20T15:15:43Z)
Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification [0.0]
本稿では,6つのIoT関連データセットを用いた分類タスクにおいて,11の一般的な機械学習アルゴリズムとディープラーニングアルゴリズムの性能評価を行う。すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりも優れており、ディープラーニングモデルのうち、ANNとCNNはより興味深い結果を得た。
論文参考訳（メタデータ） (2020-01-27T09:14:11Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。