論文の概要: On Effectively Predicting Autism Spectrum Disorder Using an Ensemble of Classifiers

• arxiv url: http://arxiv.org/abs/2209.02395v1
• Date: Fri, 2 Sep 2022 07:48:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:43:56.003572
• Title: On Effectively Predicting Autism Spectrum Disorder Using an Ensemble of Classifiers
• Title（参考訳）: 分類器のアンサンブルを用いた自閉症スペクトラム障害の効果的予測について
• Authors: Bhekisipho Twala and Eamon Molloy
• Abstract要約: 分類器のアンサンブルは、最終的な予測または分類決定を行うために複数の単一の分類器を組み合わせる。 早期スクリーニングのためにASDに影響を及ぼし寄与する要因を予測し、特定する能力の観点から、単数および後に複数の分類器学習システムが評価される。 また, 社会的コミュニケーションのジェスチャーが, 子どものASD問題に重要な要因であることも示唆された。
• 参考スコア（独自算出の注目度）: 2.055949720959582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An ensemble of classifiers combines several single classifiers to deliver a final prediction or classification decision. An increasingly provoking question is whether such systems can outperform the single best classifier. If so, what form of an ensemble of classifiers (also known as multiple classifier learning systems or multiple classifiers) yields the most significant benefits in the size or diversity of the ensemble itself? Given that the tests used to detect autism traits are time-consuming and costly, developing a system that will provide the best outcome and measurement of autism spectrum disorder (ASD) has never been critical. In this paper, several single and later multiple classifiers learning systems are evaluated in terms of their ability to predict and identify factors that influence or contribute to ASD for early screening purposes. A dataset of behavioural data and robot-enhanced therapy of 3,000 sessions and 300 hours, recorded from 61 children are utilised for this task. Simulation results show the superior predictive performance of multiple classifier learning systems (especially those with three classifiers per ensemble) compared to individual classifiers, with bagging and boosting achieving excellent results. It also appears that social communication gestures remain the critical contributing factor to the ASD problem among children.
• Abstract（参考訳）: 分類器のアンサンブルは複数の単一分類器を組み合わせて最終予測または分類決定を行う。 ますます挑発的な問題は、そのようなシステムが単一の最良の分類器より優れているかどうかである。 もしそうなら、分類器のアンサンブル(複数の分類器学習システムまたは複数の分類器とも呼ばれる)は、アンサンブル自体のサイズや多様性において最も重要な利点をもたらすだろうか? 自閉症の特徴を検出するために使用されるテストは時間と費用がかかるので、自閉症スペクトラム障害(ASD)の最良の結果と測定を提供するシステムを開発することは、決して重要ではない。 本稿では,早期スクリーニングのためにASDに影響を及ぼし寄与する要因を予測し,特定する能力の観点から,複数の単一・複数分類器学習システムの評価を行った。 61人の子どもから記録された行動データと、3000セッションと300時間のロボットによる治療のデータセットをこのタスクに活用する。 シミュレーションの結果,複数の分類器学習システム(特にアンサンブル毎に3つの分類器を持つシステム)は,個々の分類器よりも優れた予測性能を示した。 また, ソーシャルコミュニケーションのジェスチャーは, 子どもの ASD 問題に重要な要因であり続けている。

関連論文リスト

• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• 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)
• Empirical Analysis of Machine Learning Configurations for Prediction of Multiple Organ Failure in Trauma Patients [7.122236250657051]
  多臓器不全(MOF)は生命を脅かす状態である。 包括的機械学習(ML)構成を用いた初期MOF予測の定量的解析を行う。
  論文  参考訳（メタデータ） (2021-03-19T17:49:22Z)
• Predicting Autism Spectrum Disorder Using Machine Learning Classifiers [0.0]
  人間は初発症状を測定することで、asdの現況と段階をほとんど推定できない。 サポートベクターマシン(SVM)は最高の結果を提供し、SVMの下には実行すべきカーネルもあります。 提案された分類器は、公開標準のASDデータセットを使用して95%の精度を実現する。
  論文  参考訳（メタデータ） (2021-01-22T18:58:58Z)
• Explainable Multi-class Classification of Medical Data [0.9137554315375922]
  大規模医療データセットの多クラス分類について解説する。 この研究では、SVM(Support Vector Machine)、Na"ive Bayes、Gradient Boosting、Decision Trees、Random Forest、Logistic Regressionの6つのアルゴリズムが使用されている。 本研究では,23の薬物機能を用いて6つの応用学習アルゴリズムのうち5つのリコールを改善することを示した。
  論文  参考訳（メタデータ） (2020-12-26T18:56:07Z)
• Detecting Autism Spectrum Disorder using Machine Learning [3.2861753207533937]
  逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。 Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
  論文  参考訳（メタデータ） (2020-09-30T08:33:12Z)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。