論文の概要: An Explainable Machine Learning Approach to Visual-Interactive Labeling: A Case Study on Non-communicable Disease Data

• arxiv url: http://arxiv.org/abs/2209.12778v1
• Date: Mon, 26 Sep 2022 15:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-27 15:31:42.686983
• Title: An Explainable Machine Learning Approach to Visual-Interactive Labeling: A Case Study on Non-communicable Disease Data
• Title（参考訳）: 視覚対話型ラベリングへの説明可能な機械学習アプローチ:非コミュニケーション性疾患データを用いた事例研究
• Abstract要約: 我々は、データラベリングに説明可能な機械学習アプローチを採用するExplainable Labeling Assistant(XLabel)を紹介する。 XLabel の主なコンポーネントは Explainable Boosting Machine (EBM) である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce a new visual-interactive tool: Explainable Labeling Assistant (XLabel) that takes an explainable machine learning approach to data labeling. The main component of XLabel is the Explainable Boosting Machine (EBM), a predictive model that can calculate the contribution of each input feature towards the final prediction. As a case study, we use XLabel to predict the labels of four non-communicable diseases (NCDs): diabetes, hypertension, chronic kidney disease, and dyslipidemia. We demonstrate that EBM is an excellent choice of predictive model by comparing it against a rule-based and four other machine learning models. By performing 5-fold cross-validation on 427 medical records, EBM's prediction accuracy, precision, and F1-score are greater than 0.95 in all four NCDs. It performed as well as two black-box models and outperformed the other models in these metrics. In an additional experiment, when 40% of the records were intentionally mislabeled, EBM could recall the correct labels of more than 90% of these records.
• Abstract（参考訳）: データラベリングに説明可能な機械学習アプローチを採用する,新たなビジュアル対話型ツールである explainsable labeling assistant (xlabel) を紹介する。 xlabelの主なコンポーネントは、各入力特徴の最終的な予測への寄与を計算できる予測モデルである、説明可能なブースティングマシン(ebm)である。 xlabelを用いて, 糖尿病, 高血圧症, 慢性腎臓病, 脂肪血症の4つの非感染性疾患(ncd)のラベルを予測した。 EBMはルールベースや他の4つの機械学習モデルと比較することで予測モデルの優れた選択であることを示す。 427の医療記録で5倍のクロスバリデーションを行うことで、ebmの予測精度、精度、f1-scoreは4つのncdすべてで0.95以上になる。 2つのブラックボックスモデルと同様に動作し、これらの指標で他のモデルを上回った。 さらに、40%のレコードが意図的に誤記された場合、ebmは90%以上のレコードの正しいラベルを思い出すことができた。

関連論文リスト

• Good Enough: Is it Worth Improving your Label Quality? [66.74591380455261]
  高品質なラベルはドメイン内のパフォーマンスを改善するが、小さなしきい値以下では、利益は依然として不透明である。 事前トレーニングの場合、ラベルの品質は最小限の影響を受けており、モデルが詳細なアノテーションよりも一般的な概念を伝達することを示唆している。
  論文  参考訳（メタデータ） (2025-05-27T09:18:24Z)
• Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [32.71326861917332]
  特定のタスクを実行するためにディープラーニングアルゴリズムを訓練する主な制限の1つは、医療専門家がデータをラベル付けする必要があることである。 本稿では,全スライド画像(WSI)の分類に基づくDLモデルをトレーニングするために,自動ラベルをどのような状況で適用できるかを検討することを目的とする。 セマンティック・ナレッジ・エクストラクタ・ツール(SKET)アルゴリズムを用いて自動ラベルを生成すると、手動ラベルで得られたものと同等の性能が得られる。
  論文  参考訳（メタデータ） (2024-06-20T14:20:50Z)
• Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation [5.368714143438489]
  本稿では,Segment Anything Model (SAM) や医療用代替MedSAMなどの基礎モデルを活用することで,医療用画像ラベリングのハードルを克服する新しいアプローチを提案する。 我々のパイプラインは、ラベルなしの医療画像に対して弱いラベルを生成し、その後、ラベルのスカースデータセットを増やすためにそれを使用することができる。 この自動化により、MedSAMのマニュアルプロンプトステップが不要になり、実画像と合成画像の両方のラベルを生成するための合理化プロセスが作成される。
  論文  参考訳（メタデータ） (2024-04-25T20:47:08Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• OneLabeler: A Flexible System for Building Data Labeling Tools [48.15772261649084]
  OneLabelerは、データラベリングツールを構築するための共通ソフトウェアモジュールの構成と構成をサポートする。 開発者とのユーザスタディは、OneLabelerが多様なデータラベリングツールの効率的な構築をサポートする証拠を提供する。
  論文  参考訳（メタデータ） (2022-03-27T07:22:36Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)
• ECLARE: Extreme Classification with Label Graph Correlations [13.429436351837653]
  本稿では,ラベルテキストだけでなくラベル相関も組み込んだスケーラブルなディープラーニングアーキテクチャECLAREを提案し,数ミリ秒以内の正確なリアルタイム予測を実現する。 ECLAREは、Bing検索エンジンからソースされた関連製品レコメンデーションタスク用のプロプライエタリデータセットと同様に、公開可能なベンチマークデータセットの両方で2～14%精度の予測を提供する。
  論文  参考訳（メタデータ） (2021-07-31T15:13:13Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Paying Per-label Attention for Multi-label Extraction from Radiology Reports [1.9601378412924186]
  脳卒中患者の頭部CT像から構造化ラベルを自動抽出する。 神経疾患に関する放射線学的所見と臨床的印象に対応する31のラベル群を提案する。 放射線学者の報告によると、我々は単一のモデルで多くのラベルをしっかりと抽出することができる。
  論文  参考訳（メタデータ） (2020-07-31T16:11:09Z)
• CheXbert: Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT [6.458158112222296]
  医用画像レポートラベリングにおけるBERTに基づくアプローチを提案する。 本稿では,ルールベースラベルのアノテーションに基づいてトレーニングしたBERTモデルの優れた性能を示す。 我々の最終モデルであるCheXbertは、統計的に有意な、以前の最高のルールベースのラベルよりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2020-04-20T09:46:40Z)

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。