論文の概要: ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification

• arxiv url: http://arxiv.org/abs/2302.05021v1
• Date: Fri, 10 Feb 2023 02:30:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 16:47:22.926426
• Title: ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification
• Title（参考訳）: ShapeWordNet: 生理学的信号分類のための解釈可能なシェープレットニューラルネットワーク
• Authors: Wenqiang He, Mingyue Cheng, Qi Liu, Zhi Li
• Abstract要約: 生理的信号分類タスクに適した,より効果的で解釈可能なスキームを提案する。 時系列シェープレットを利用して、顕著な局所パターンを抽出し、解釈可能なシーケンスの離散化を行う。 本研究では,本手法をShapeWordNetと命名し,実世界の3つのデータセットに対する広範な実験を行い,その有効性について検討する。
• 参考スコア（独自算出の注目度）: 16.82411861562806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physiological signals are high-dimensional time series of great practical values in medical and healthcare applications. However, previous works on its classification fail to obtain promising results due to the intractable data characteristics and the severe label sparsity issues. In this paper, we try to address these challenges by proposing a more effective and interpretable scheme tailored for the physiological signal classification task. Specifically, we exploit the time series shapelets to extract prominent local patterns and perform interpretable sequence discretization to distill the whole-series information. By doing so, the long and continuous raw signals are compressed into short and discrete token sequences, where both local patterns and global contexts are well preserved. Moreover, to alleviate the label sparsity issue, a multi-scale transformation strategy is adaptively designed to augment data and a cross-scale contrastive learning mechanism is accordingly devised to guide the model training. We name our method as ShapeWordNet and conduct extensive experiments on three real-world datasets to investigate its effectiveness. Comparative results show that our proposed scheme remarkably outperforms four categories of cutting-edge approaches. Visualization analysis further witnesses the good interpretability of the sequence discretization idea based on shapelets.
• Abstract（参考訳）: 生理的シグナルは、医療や医療の応用において重要な実践的価値の高次元時系列である。 しかし,その分類に関する先行研究は,難解なデータ特性とラベルスパーシティの問題により,有望な結果が得られなかった。 本稿では,生理的信号分類タスクに適応した,より効果的で解釈可能なスキームを提案することで,これらの課題に対処しようとする。 具体的には,時系列シェイプレットを用いて顕著な局所パターンを抽出し,解釈可能なシーケンス識別を行い,全系列情報を抽出する。 これにより、長期かつ連続的な生信号は短くて離散的なトークンシーケンスに圧縮され、局所パターンとグローバルコンテキストの両方がよく保存される。 さらに、ラベル空間の問題を軽減するために、データを増やすためにマルチスケール変換戦略を適応的に設計し、モデルトレーニングをガイドするために、クロススケールコントラスト学習機構を考案する。 本研究では,本手法をShapeWordNetと命名し,実世界の3つのデータセットを対象とした実験を行った。 比較の結果,提案手法は最先端アプローチの4つのカテゴリを著しく上回っている。 可視化分析により、シェープレットに基づくシーケンス離散化アイデアのよい解釈性がさらに証明される。

関連論文リスト

• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Discrete transforms of quantized persistence diagrams [0.5249805590164902]
  永続化ダイアグラムをベクトル化する新奇でシンプルな方法Qupidを紹介する。 主要な特徴は、永続化ダイアグラムの対角線付近に含まれる情報を強調するログスケールグリッドの選択である。 我々はQupidの詳細な実験分析を行い、本手法の単純さは計算コストを極端に低くすることを示した。
  論文  参考訳（メタデータ） (2023-12-28T16:11:11Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model [7.021021047695508]
  病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。 本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。 より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-04-07T10:12:21Z)
• Adversarial contamination of networks in the setting of vertex nomination: a new trimming method [5.915837770869619]
  スペクトルグラフの埋め込みは、アルゴリズムの性能とフレキシブルな設定を提供する。 ブロック構造汚染とホワイトノイズ汚染の両方に対処できるモデル空間で動作する新しいトリミング法を提案する。 このモデルトリミングは理論解析に適しており、多くのシミュレーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-20T15:32:04Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• TRIER: Template-Guided Neural Networks for Robust and Interpretable Sleep Stage Identification from EEG Recordings [5.156484100374058]
  本研究では,この課題に対処する事前学習手法を提案する。 経験豊富な医師が睡眠状態の分類に用いた従来の手法に着想を得て,コサイン類似性に基づく畳み込みニューラルネットワークを導入した。 本研究では,(1)分類性能が著しく向上し,(2)複数の面における堅牢性が向上するため,テンプレートパターンによるニューラルネットワークの誘導が睡眠ステージングに有効な方法であることを示す。
  論文  参考訳（メタデータ） (2020-09-10T01:58:06Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。