論文の概要: Turning Silver into Gold: Domain Adaptation with Noisy Labels for
Wearable Cardio-Respiratory Fitness Prediction
- arxiv url: http://arxiv.org/abs/2211.10475v1
- Date: Sun, 20 Nov 2022 14:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:45:28.355139
- Title: Turning Silver into Gold: Domain Adaptation with Noisy Labels for
Wearable Cardio-Respiratory Fitness Prediction
- Title（参考訳）: 銀を金に変える: ウェアラブルの心拍数予測のためのノイズラベル付きドメイン適応
- Authors: Yu Wu, Dimitris Spathis, Hong Jia, Ignacio Perez-Pozuelo, Tomas I.
Gonzales, Soren Brage, Nicholas Wareham, Cecilia Mascolo
- Abstract要約: 教師なしドメイン適応と多識別器適応学習という2つの重要な要素を持つ新しいモデルであるUDAMAを提案する。
実験室で測定した最大酸素消費量を予測する上での課題について,本枠組みを検証した。
実験の結果,提案フレームワークは,corr = 0.665 $pm$ 0.04 の最適性能を達成し,精度の高い適合度推定を行うことができた。
- 参考スコア（独自算出の注目度）: 16.26599832125242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have shown great promise in various healthcare
applications. However, most models are developed and validated on small-scale
datasets, as collecting high-quality (gold-standard) labels for health
applications is often costly and time-consuming. As a result, these models may
suffer from overfitting and not generalize well to unseen data. At the same
time, an extensive amount of data with imprecise labels (silver-standard) is
starting to be generally available, as collected from inexpensive wearables
like accelerometers and electrocardiography sensors. These currently
underutilized datasets and labels can be leveraged to produce more accurate
clinical models. In this work, we propose UDAMA, a novel model with two key
components: Unsupervised Domain Adaptation and Multi-discriminator Adversarial
training, which leverage noisy data from source domain (the silver-standard
dataset) to improve gold-standard modeling. We validate our framework on the
challenging task of predicting lab-measured maximal oxygen consumption
(VO$_{2}$max), the benchmark metric of cardio-respiratory fitness, using
free-living wearable sensor data from two cohort studies as inputs. Our
experiments show that the proposed framework achieves the best performance of
corr = 0.665 $\pm$ 0.04, paving the way for accurate fitness estimation at
scale.
- Abstract（参考訳）: ディープラーニングモデルは、さまざまな医療アプリケーションで大きな可能性を秘めている。
しかし、ほとんどのモデルは小規模データセット上で開発、検証されており、健康アプリケーションのための高品質(金標準)ラベルの収集にはコストがかかり、時間がかかる。
結果として、これらのモデルは過剰フィッティングに苦しむ可能性があり、見当たらないデータにうまく一般化できない。
同時に、加速度計や心電図センサーなどの安価なウェアラブルから収集した、不正確なラベル(銀標準)の膨大なデータが一般に利用可能になり始めている。
現在使用されていないデータセットとラベルは、より正確な臨床モデルを作成するために利用することができる。
本研究では,ソースドメイン(シルバー標準データセット)からのノイズデータを利用してゴールド標準モデリングを改善する,教師なしドメイン適応とマルチ識別器敵意トレーニングという,2つの重要な要素を持つ新しいモデルであるudamaを提案する。
実験室で測定した最大酸素消費量(VO$_{2}$max)を予測する上で,2つのコホート研究から得られた自由生活型ウェアラブルセンサデータを入力として評価し,その枠組みを検証した。
実験の結果,提案フレームワークはcorr = 0.665$\pm$ 0.04の最適性能を達成し,大規模に正確なフィットネス推定を行う方法を示している。
関連論文リスト
- How Can We Tame the Long-Tail of Chest X-ray Datasets? [0.0]
胸部X線(英: Chest X-rays、CXR)は、多数の異常を推測するために用いられる医療画像のモダリティである。
非常に一般的に観測されており、CXRデータセットで十分に表現されているものはほとんどない。
現在のモデルでは、稀ではあるが高い意味を持つラベルの独立した差別的特徴を学習することは困難である。
論文 参考訳（メタデータ） (2023-09-08T12:28:40Z) - UDAMA: Unsupervised Domain Adaptation through Multi-discriminator
Adversarial Training with Noisy Labels Improves Cardio-fitness Prediction [16.26599832125242]
UDAMAは、教師なしドメイン適応と多識別器適応訓練の2つの重要な要素を持つ手法である。
特に,心呼吸適合度(CRF)予測に応用することで,UDAMAの実用可能性を示す。
この結果から,様々なラベルシフト設定における分布シフトを緩和し,有望な性能を示す。
論文 参考訳（メタデータ） (2023-07-31T13:31:53Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Label-Retrieval-Augmented Diffusion Models for Learning from Noisy
Labels [61.97359362447732]
ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。
本稿では,生成モデルの観点からラベルノイズ問題を再構成する。
我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
論文 参考訳（メタデータ） (2023-05-31T03:01:36Z) - DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。
3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文 参考訳（メタデータ） (2022-10-18T11:28:21Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Personalized Step Counting Using Wearable Sensors: A Domain Adapted LSTM
Network Approach [0.0]
paモニター内の3軸加速度計は、デバイスと個人間のステップカウント精度を向上させるために利用される。
オープンソースの生センサデータを用いて、ステップカウントをモデル化するための長期記憶(LSTM)深層ニューラルネットワークを構築した。
少量の主題別データは、個々のステップカウント精度の高いパーソナライズモデルを作成するためにドメイン化されました。
論文 参考訳（メタデータ） (2020-12-11T19:52:43Z) - Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's
Disease Classification of Gait Patterns [3.5939555573102857]
パーキンソン病分類のための加速度計歩行データに関連する特徴を抽出する方法を示す。
我々の事前学習したソースモデルは畳み込みオートエンコーダで構成されており、ターゲット分類モデルは単純な多層パーセプトロンモデルである。
本研究は,Parkinson病分類の課題に対する事前学習モデルの選択が与える影響を,異なる活動群を用いて訓練した2つの異なるソースモデルについて検討する。
論文 参考訳（メタデータ） (2020-05-06T04:08:19Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Teacher-Student Domain Adaptation for Biosensor Models [0.0]
本稿では、ソースドメインからのデータが豊富であり、対象ドメインからのラベル付きデータが限定的または存在しない場合、および少量のペア化されたソースターゲットデータが利用可能である場合、ドメイン適応へのアプローチを提案する。
本手法は, 消費者級携帯型バイオセンサーのデータに基づいて, 医療状況を検出する深層学習モデルの開発を目的としている。
論文 参考訳（メタデータ） (2020-03-17T19:09:53Z)
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。