論文の概要: Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit
- arxiv url: http://arxiv.org/abs/2304.07025v1
- Date: Fri, 14 Apr 2023 09:39:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 14:06:32.974372
- Title: Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit
- Title（参考訳）: 連続時間リカレントニューラルネットワーク : 集中治療室における血糖値予測の概観と応用
- Authors: Oisin Fitzgerald, Oscar Perez-Concha, Blanca Gallego-Luxan, Alejandro
Metke-Jimenez, Lachlan Rudd, Louisa Jorm
- Abstract要約: 連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
- 参考スコア（独自算出の注目度）: 56.801856519460465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Irregularly measured time series are common in many of the applied settings
in which time series modelling is a key statistical tool, including medicine.
This provides challenges in model choice, often necessitating imputation or
similar strategies. Continuous time autoregressive recurrent neural networks
(CTRNNs) are a deep learning model that account for irregular observations
through incorporating continuous evolution of the hidden states between
observations. This is achieved using a neural ordinary differential equation
(ODE) or neural flow layer. In this manuscript, we give an overview of these
models, including the varying architectures that have been proposed to account
for issues such as ongoing medical interventions. Further, we demonstrate the
application of these models to probabilistic forecasting of blood glucose in a
critical care setting using electronic medical record and simulated data. The
experiments confirm that addition of a neural ODE or neural flow layer
generally improves the performance of autoregressive recurrent neural networks
in the irregular measurement setting. However, several CTRNN architecture are
outperformed by an autoregressive gradient boosted tree model (Catboost), with
only a long short-term memory (LSTM) and neural ODE based architecture
(ODE-LSTM) achieving comparable performance on probabilistic forecasting
metrics such as the continuous ranked probability score (ODE-LSTM:
0.118$\pm$0.001; Catboost: 0.118$\pm$0.001), ignorance score (0.152$\pm$0.008;
0.149$\pm$0.002) and interval score (175$\pm$1; 176$\pm$1).
- Abstract（参考訳）: 不規則に測定された時系列は、医療を含む重要な統計ツールである時系列モデリングを応用した多くの分野で一般的である。
これはモデル選択の課題をもたらし、しばしばインプテーションや同様の戦略を必要とする。
連続時間自己回帰型リカレントニューラルネットワーク(ctrnn)は、観測間の隠れた状態の連続的な進化を組み込んだ不規則な観測を考慮に入れるディープラーニングモデルである。
これは、neural ordinary differential equation(ode)またはneural flow layerを使用して達成される。
本稿では,現在進行中の医療介入などの問題を考慮に入れた様々なアーキテクチャを含む,これらのモデルの概要を紹介する。
さらに,これらのモデルを用いて,電子カルテとシミュレーションデータを用いて,クリティカルケア環境における血糖値の確率的予測を行う。
実験により、ニューラルネットワークまたはニューラルフロー層の追加は、不規則な測定環境での自己回帰リカレントニューラルネットワークの性能を改善することが確認された。
しかし、CTRNNアーキテクチャは、連続的なランク付け確率スコア(ODE-LSTM: 0.118$\pm$0.001; Catboost: 0.118$\pm$0.001)、無知スコア(0.152$\pm$0.008; 0.149$\pm$0.002)、区間スコア(175$\pm$1; 176$\pm$0.002)などの確率予測指標に匹敵する性能を達成する、長い短期記憶(LSTM)とニューラルODEベースアーキテクチャ(ODE-LSTM)の2つしか持たない自己回帰勾配強化ツリーモデル(Catboost)により、性能が向上する。
関連論文リスト
- How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。
我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
論文 参考訳（メタデータ） (2023-06-02T16:46:47Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文 参考訳（メタデータ） (2022-02-25T01:50:22Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - CARRNN: A Continuous Autoregressive Recurrent Neural Network for Deep
Representation Learning from Sporadic Temporal Data [1.8352113484137622]
本稿では,散発データにおける複数の時間的特徴をモデル化するための新しい深層学習モデルを提案する。
提案モデルはCARRNNと呼ばれ、時間ラグによって変調されたニューラルネットワークを用いてエンドツーエンドにトレーニング可能な一般化された離散時間自己回帰モデルを使用する。
アルツハイマー病進行モデルおよび集中治療単位(ICU)死亡率予測のためのデータを用いて,多変量時系列回帰タスクに適用した。
論文 参考訳（メタデータ） (2021-04-08T12:43:44Z) - Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine
Learning [0.0]
ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。
相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。
2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-08T15:14:13Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。