論文の概要: A fuzzy adaptive evolutionary-based feature selection and machine
learning framework for single and multi-objective body fat prediction
- arxiv url: http://arxiv.org/abs/2303.11949v1
- Date: Mon, 20 Mar 2023 07:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 14:21:56.370129
- Title: A fuzzy adaptive evolutionary-based feature selection and machine
learning framework for single and multi-objective body fat prediction
- Title（参考訳）: 単目的および多目的体脂肪予測のためのファジィ適応進化型特徴選択・機械学習フレームワーク
- Authors: Farshid Keivanian, Raymond Chiong, and Zongwen Fan
- Abstract要約: 体脂肪の予測は、医療従事者や利用者に心臓疾患の予防および診断に不可欠な情報を提供する。
現在の機械学習メソッドは、ローカルオプティマで立ち往生する可能性がある。
ファジィ適応グローバルラーニング ローカル検索 普遍的多様性に基づく特徴選択は、この単目的特徴選択マシンラーニングフレームワークに適用される。
このモデルは、他のハイブリッドおよび最先端の機械学習モデルよりも正確で安定した体脂肪推定を実現した。
- 参考スコア（独自算出の注目度）: 3.3044728148521623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting body fat can provide medical practitioners and users with
essential information for preventing and diagnosing heart diseases. Hybrid
machine learning models offer better performance than simple regression
analysis methods by selecting relevant body measurements and capturing complex
nonlinear relationships among selected features in modelling body fat
prediction problems. There are, however, some disadvantages to them. Current
machine learning. Modelling body fat prediction as a combinatorial single- and
multi-objective optimisation problem often gets stuck in local optima. When
multiple feature subsets produce similar or close predictions, avoiding local
optima becomes more complex. Evolutionary feature selection has been used to
solve several machine-learning-based optimisation problems. A fuzzy set theory
determines appropriate levels of exploration and exploitation while managing
parameterisation and computational costs. A weighted-sum body fat prediction
approach was explored using evolutionary feature selection, fuzzy set theory,
and machine learning algorithms, integrating contradictory metrics into a
single composite goal optimised by fuzzy adaptive evolutionary feature
selection. Hybrid fuzzy adaptive global learning local search universal
diversity-based feature selection is applied to this single-objective feature
selection-machine learning framework (FAGLSUD-based FS-ML). While using fewer
features, this model achieved a more accurate and stable estimate of body fat
percentage than other hybrid and state-of-the-art machine learning models. A
multi-objective FAGLSUD-based FS-MLP is also proposed to analyse accuracy,
stability, and dimensionality conflicts simultaneously. To make informed
decisions about fat deposits in the most vital body parts and blood lipid
levels, medical practitioners and users can use a well-distributed Pareto set
of trade-off solutions.
- Abstract（参考訳）: 体脂肪の予測は、医療従事者や利用者に心臓疾患の予防および診断に不可欠な情報を提供する。
ハイブリッド機械学習モデルは、モデリング体脂肪予測問題において、関連する身体計測を選択し、選択された特徴間の複雑な非線形関係を捉えることにより、単純な回帰分析法よりも優れた性能を提供する。
しかし、それらにはいくつかの欠点がある。
現在の機械学習。
組合せ単目的および多目的最適化問題としての体脂肪予測のモデル化は、しばしば局所光学系で立ち往生する。
複数の特徴部分集合が類似または近接予測を生成すると、局所最適を避けることがより複雑になる。
進化的特徴選択は、機械学習に基づく最適化問題の解決に使われてきた。
ファジィ集合論はパラメータ化と計算コストを管理しながら適切なレベルの探索と利用を決定する。
進化的特徴選択,ファジィ集合理論,機械学習アルゴリズムを用いて,ファジィ適応的特徴選択によって最適化された1つの複合目標に矛盾指標を統合する重み付き体脂肪予測手法を検討した。
ハイブリッドファジィ適応グローバルラーニング ローカル検索 普遍的多様性に基づく特徴選択は、この単目的特徴選択機械学習フレームワーク(FAGLSUD-based FS-ML)に適用される。
機能は少ないが、このモデルは他のハイブリッドおよび最先端の機械学習モデルよりも正確で安定した体脂肪率の推定を実現した。
FAGLSUDに基づく多目的FS-MLPも,精度,安定性,次元差を同時に解析するために提案されている。
最も重要な身体部位と血中脂質レベルにおける脂肪沈着に関するインフォームドな決定を行うには、医療従事者や利用者は、よく分布したパレート・セットのトレードオフ・ソリューションを使うことができる。
関連論文リスト
- A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。
これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。
我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
論文 参考訳（メタデータ） (2024-10-14T12:10:06Z) - Dual-stage optimizer for systematic overestimation adjustment applied to
multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。
提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
論文 参考訳（メタデータ） (2023-12-27T16:13:14Z) - Exploring hyperelastic material model discovery for human brain cortex:
multivariate analysis vs. artificial neural network approaches [10.003764827561238]
本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。
我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
論文 参考訳（メタデータ） (2023-10-16T18:49:59Z) - Liver Infection Prediction Analysis using Machine Learning to Evaluate
Analytical Performance in Neural Networks by Optimization Techniques [0.0]
本稿では, 各種肝疾患データセットの機械学習アルゴリズムを用いて, 解析性能の評価を行う。
選択された分類アルゴリズムは、結果の違いを分析し、肝疾患の最も優れた分類モデルを見出す。
論文 参考訳（メタデータ） (2023-05-11T14:40:39Z) - Optimizing fairness tradeoffs in machine learning with multiobjective
meta-models [0.913755431537592]
複数のコスト関数を持つ重み付き分類問題として、公平な機械学習タスクを定義するフレキシブルなフレームワークを提案する。
我々は、与えられた学習者のモデルトレーニングで使用されるサンプル重量を定義するために多目的最適化を使用し、重みを適応させ、公平性と精度の複数の指標を最適化する。
実世界の一連の問題において、このアプローチは、好ましいエラー/フェアネストレードオフを持つ解集合を見つけることによって、現在の最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2023-04-21T13:42:49Z) - FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。
我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。
AOMIC PIOP1による脳MRIデータへの応用について述べる。
論文 参考訳（メタデータ） (2023-03-26T19:41:17Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。