Fugu-MT 論文翻訳(概要): Learning ECG Signal Features Without Backpropagation Using Linear Laws

論文の概要: Learning ECG Signal Features Without Backpropagation Using Linear Laws

arxiv url: http://arxiv.org/abs/2307.01930v2
Date: Fri, 20 Dec 2024 18:18:41 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-23 16:22:41.501056
Title: Learning ECG Signal Features Without Backpropagation Using Linear Laws
Title（参考訳）: 線形法則によるバックプロパゲーションのない心電図信号特徴の学習
Authors: Péter Pósfay, Marcell T. Kurbucz, Péter Kovács, Antal Jakovác,
Abstract要約: 本稿では,心電図(ECG)信号分類の新しい手法であるLLT-ECGを紹介する。従来のディープラーニングアプローチとは異なり、LLT-ECGは前方で動作し、バックプロパゲーションの必要性を排除している。実世界のECGデータセット上でのLLT-ECGの最先端性能をPhyloNetで実証する。
参考スコア（独自算出の注目度）: 1.1399577852929503
License:
Abstract: This paper introduces LLT-ECG, a novel method for electrocardiogram (ECG) signal classification that leverages concepts from theoretical physics to automatically generate features from time series data. Unlike traditional deep learning approaches, LLT-ECG operates in a forward manner, eliminating the need for backpropagation and hyperparameter tuning. By identifying linear laws that capture shared patterns within specific classes, the proposed method constructs a compact and verifiable representation, enhancing the effectiveness of downstream classifiers. We demonstrate LLT-ECG's state-of-the-art performance on real-world ECG datasets from PhysioNet, underscoring its potential for medical applications where speed and verifiability are crucial.
Abstract（参考訳）: 本稿では,理論物理学の概念を活用して時系列データから特徴を自動的に生成する心電図信号分類法であるLLT-ECGを紹介する。従来のディープラーニングアプローチとは異なり、LLT-ECGは前方で動作し、バックプロパゲーションやハイパーパラメータチューニングを必要としない。特定のクラス内で共有パターンをキャプチャする線形法則を同定することにより、提案手法はコンパクトで検証可能な表現を構築し、下流分類器の有効性を高める。われわれは、PhyloNetの実際のECGデータセット上でのLLT-ECGの最先端性能を実証し、速度と妥当性が不可欠である医療応用の可能性を明らかにした。

関連論文リスト

Knowledge-guided EEG Representation Learning [27.8095014391814]
自己教師付き学習は、音声、視覚、および音声のマルチメディア領域において印象的な結果をもたらした。本稿では,脳波の自己教師型モデルを提案する。また,脳波信号の慣用性を考慮した知識誘導事前学習手法を提案する。
論文参考訳（メタデータ） (2024-02-15T01:52:44Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
Active Weighted Aging Ensemble for Drifted Data Stream Classification [2.277447144331876]
概念ドリフトは分類モデルの性能を不安定化し、その品質を著しく低下させる。提案手法は実データストリームと実データストリームの両方を用いて計算機実験により評価されている。その結果,提案アルゴリズムは最先端手法よりも高品質であることが確認された。
論文参考訳（メタデータ） (2021-12-19T13:52:53Z)
Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文参考訳（メタデータ） (2021-07-01T09:26:13Z)
How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文参考訳（メタデータ） (2021-05-05T17:56:00Z)
Function Contrastive Learning of Transferable Meta-Representations [38.31692245188669]
共同訓練がメタ表現の伝達性に及ぼす影響について検討した。教師付きメタ学習のためのデカップリングエンコーダデコーダアプローチを提案する。
論文参考訳（メタデータ） (2020-10-14T13:50:22Z)
Fantastic Features and Where to Find Them: Detecting Cognitive Impairment with a Subsequence Classification Guided Approach [6.063165888023164]
本稿では、逐次機械学習モデルとドメイン知識を活用して、パフォーマンス向上に役立つ機能を予測する機能エンジニアリングの新しいアプローチについて説明する。本手法により得られた特徴を用いた場合,CI分類精度が強いベースラインよりも2.3%向上することが実証された。
論文参考訳（メタデータ） (2020-10-13T17:57:18Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
ALEX: Active Learning based Enhancement of a Model's Explainability [34.26945469627691]
アクティブラーニング(AL)アルゴリズムは、最小限のラベル付き例をブートストラップ方式で効率的な分類器を構築しようとする。データ駆動学習の時代において、これは追求すべき重要な研究方向である。本稿では,モデルの有効性に加えて,ブートストラップ段階におけるモデルの解釈可能性の向上も目指すAL選択関数の開発に向けた取り組みについて述べる。
論文参考訳（メタデータ） (2020-09-02T07:15:39Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。