論文の概要: Multidimensional analysis using sensor arrays with deep learning for
high-precision and high-accuracy diagnosis
- arxiv url: http://arxiv.org/abs/2211.17139v1
- Date: Wed, 30 Nov 2022 16:14:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 17:33:03.905890
- Title: Multidimensional analysis using sensor arrays with deep learning for
high-precision and high-accuracy diagnosis
- Title（参考訳）: ディープラーニングを用いたセンサアレイを用いた高精度・高精度診断のための多次元解析
- Authors: Julie Payette, Sylvain G.Cloutier and Fabrice Vaussenat
- Abstract要約: 本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。
データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the upcoming years, artificial intelligence (AI) is going to transform the
practice of medicine in most of its specialties. Deep learning can help achieve
better and earlier problem detection, while reducing errors on diagnosis. By
feeding a deep neural network (DNN) with the data from a low-cost and
low-accuracy sensor array, we demonstrate that it becomes possible to
significantly improve the measurements' precision and accuracy. The data
collection is done with an array composed of 32 temperature sensors, including
16 analog and 16 digital sensors. All sensors have accuracies between
0.5-2.0$^\circ$C. 800 vectors are extracted, covering a range from to 30 to
45$^\circ$C. In order to improve the temperature readings, we use machine
learning to perform a linear regression analysis through a DNN. In an attempt
to minimize the model's complexity in order to eventually run inferences
locally, the network with the best results involves only three layers using the
hyperbolic tangent activation function and the Adam Stochastic Gradient Descent
(SGD) optimizer. The model is trained with a randomly-selected dataset using
640 vectors (80% of the data) and tested with 160 vectors (20%). Using the mean
squared error as a loss function between the data and the model's prediction,
we achieve a loss of only 1.47x10$^{-4}$ on the training set and 1.22x10$^{-4}$
on the test set. As such, we believe this appealing approach offers a new
pathway towards significantly better datasets using readily-available ultra
low-cost sensors.
- Abstract（参考訳）: 今後数年間で、人工知能(ai)はその専門分野の大半において、医療の実践を変えることになる。
ディープラーニングは、診断のエラーを減らしながら、より良く、より早く問題を検出するのに役立つ。
低コストで高精度なセンサアレイから得られるデータにディープニューラルネットワーク(DNN)を供給することにより、測定精度と精度を大幅に向上させることができることを示す。
データ収集は、16のアナログと16のデジタルセンサーを含む32の温度センサーからなるアレイで行われる。
すべてのセンサーは0.5-2.0$^\circ$Cの精度を持つ。
800個のベクトルが抽出され、30から45$^\circ$Cの範囲をカバーする。
温度の読みを改善するために,dnnによる線形回帰分析を行うために機械学習を用いた。
モデルの複雑さを最小化し、最終的に推論をローカルに実行しようとする試みにおいて、最良の結果を持つネットワークは、双曲的タンジェント活性化関数とAdam Stochastic Gradient Descent (SGD)オプティマイザを使用する3つの層のみを含む。
このモデルは640ベクター(データの80%)を使用したランダムに選択されたデータセットでトレーニングされ、160ベクター(20%)でテストされる。
データとモデルの予測の間の損失関数として平均二乗誤差を用いると、トレーニングセットではわずか 1.47x10$^{-4}$、テストセットで 1.22x10$^{-4}$となる。
このように、この魅力的なアプローチは、容易に利用可能な超低コストセンサーを使用して、データセットを大幅に改善するための新しい経路を提供すると信じています。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Rethinking Deep Learning: Propagating Information in Neural Networks without Backpropagation and Statistical Optimization [0.0]
本研究では,構造を模倣するニューラルネットワークとして,情報伝達機能とNNの応用の可能性について論じる。
本研究では,段差関数をアクティベーション関数として使用し,0～15層を隠蔽し,重み更新を行わない完全連結層からなるNNSアーキテクチャを提案する。
ラベル毎のトレーニングデータの平均出力ベクトルとテストデータの出力ベクトルをベクトル類似度に基づいて比較して精度を算出する。
論文 参考訳（メタデータ） (2024-08-18T09:22:24Z) - Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。
しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文 参考訳（メタデータ） (2024-06-17T12:24:45Z) - UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。
本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T16:26:25Z) - 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) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳（メタデータ） (2021-05-14T19:40:16Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - Machine learning for complete intersection Calabi-Yau manifolds: a
methodological study [0.0]
我々は機械学習(ML)を用いてホッジ数$h1,1$と$h2,1$の完全なカラビ・ヤウ交差点を予測する問題を再考する。
我々は、古いデータセットのインセプションモデルにインスパイアされたニューラルネットワークを使用して、トレーニング用のデータの30% (resp. 70%) のみを使用して、97% (resp. 99%) の精度で$h1,1$を得る。
新しい例では、単純な線形回帰は、トレーニング用のデータの30%でほぼ100%の正確性をもたらす。
論文 参考訳（メタデータ） (2020-07-30T19:43:49Z) - RIFLE: Backpropagation in Depth for Deep Transfer Learning through
Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。
転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。
RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文 参考訳（メタデータ） (2020-07-07T11:27:43Z) - Sparse Array Selection Across Arbitrary Sensor Geometries with Deep
Transfer Learning [22.51807198305316]
スパースセンサアレイの選択は多くの工学的応用で発生し、限られた配列要素から最大空間分解能を得る必要がある。
近年の研究では、従来の最適化法と欲求探索法をディープラーニングネットワークに置き換えることで、配列選択の計算複雑性が低減されていることが示されている。
我々は、深層移動学習(TL)アプローチを採用し、キャリブレーションされたデータを容易に利用できるソースセンサアレイのデータを用いて深部畳み込みニューラルネットワーク(CNN)を訓練し、この事前学習されたCNNを、異なるデータ不十分なターゲットアレイ幾何学のために再利用する。
均一長方形及び円形アレイを用いた数値実験によるTLの性能向上
論文 参考訳（メタデータ） (2020-04-24T10:10:48Z)
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。