論文の概要: Learned Kernels for Interpretable and Efficient Medical Time Series
Processing
- arxiv url: http://arxiv.org/abs/2307.05385v2
- Date: Sun, 24 Dec 2023 01:35:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 22:19:43.340791
- Title: Learned Kernels for Interpretable and Efficient Medical Time Series
Processing
- Title(参考訳): 医用時系列処理の解釈・効率化のための学習カーネル
- Authors: Sully F. Chen, Zhicheng Guo, Cheng Ding, Xiao Hu, Cynthia Rudin
- Abstract要約: 本稿では,医療時系列処理のためのスパースで解釈可能なアーキテクチャを提案する。
我々は、アーティファクト検出の重要なタスクにおいて、アーキテクチャのパワーを実証する。
- 参考スコア(独自算出の注目度): 20.943346453655444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Signal processing methods are the foundation for clinical
interpretation across a wide variety of medical applications. The advent of
deep learning allowed for an explosion of new models that offered unprecedented
performance but at a cost: deep learning models are often compute-intensive and
lack interpretability.
Methods: We propose a sparse, interpretable architecture for medical time
series processing. The method learns a set of lightweight flexible kernels to
construct a single-layer neural network, providing a new efficient, robust, and
interpretable approach. We introduce novel parameter reduction techniques to
further reduce the size of our network. We demonstrate the power of our
architecture on the important task of photoplethysmography artifact detection,
where our approach has performance similar to the state-of-the-art deep neural
networks with several orders of magnitude fewer parameters, allowing for the
integration of deep neural network level performance into extremely low-power
wearable devices.
Results: Our interpretable method achieves greater than 99\% of the
performance of the state-of-the-art methods on the artifact detection task, and
even outperforms the state-of-the-art on a challenging out-of-distribution test
set, while using dramatically fewer parameters (2\% of the parameters of
Segade, and about half of the parameters of Tiny-PPG).
Conclusions: Learned kernels are competitive with deep neural networks for
medical time series processing with dramatically fewer parameters. Our method
is particularly suited for real-time applications and low-power devices, and it
maintains interpretability.
- Abstract(参考訳): 背景: 信号処理手法は、幅広い医学的応用における臨床解釈の基礎である。
ディープラーニングの出現は、前例のないパフォーマンスを提供するが、コストがかかる新しいモデルの爆発を可能にした。
方法:医療時系列処理のためのスパースで解釈可能なアーキテクチャを提案する。
この方法は軽量で柔軟なカーネルの集合を学習し、単一層ニューラルネットワークを構築し、新しい効率的で堅牢で解釈可能なアプローチを提供する。
我々は,ネットワークサイズを更に削減するための新しいパラメータ低減手法を提案する。
我々は,我々のアーキテクチャのパワーを,光電容積アーチファクト検出における重要なタスクに実証する。このアプローチは,最先端のディープニューラルネットワークと同様の性能を持ち,数桁のパラメータを削減し,ディープニューラルネットワークレベルのパフォーマンスを極めて低消費電力なウェアラブルデバイスに統合することができる。
結果: 本手法は, 人工物検出タスクにおける最先端の手法の性能の99\%以上を達成し, 極めて少ないパラメータ(セガデのパラメータの2\%, 小型ppgのパラメータの約半分)を用いて, 挑戦的な分散テストセットにおいて, 最先端の手法よりも優れていた。
結論: 学習されたカーネルは、劇的に少ないパラメータで医療時系列処理を行うために、ディープニューラルネットワークと競合する。
本手法は,リアルタイムアプリケーションや低消費電力デバイスに特に適しており,解釈性を維持している。
関連論文リスト
- Slicer Networks [8.43960865813102]
医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
論文 参考訳(メタデータ) (2024-01-18T09:50:26Z) - Neural Network Pruning for Real-time Polyp Segmentation [8.08470060885395]
ポリプセグメンテーションにおけるニューラルネットワークプルーニングの適用例を示す。
畳み込みフィルタの重要スコアを計算し、最小スコアを持つフィルタを除去する。
論文 参考訳(メタデータ) (2023-06-22T21:03:50Z) - Globally Optimal Training of Neural Networks with Threshold Activation
Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。
ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文 参考訳(メタデータ) (2023-03-06T18:59:13Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - End-to-end Neuron Instance Segmentation based on Weakly Supervised
Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。
私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文 参考訳(メタデータ) (2022-02-17T14:35:45Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳(メタデータ) (2021-06-13T18:55:23Z) - Ps and Qs: Quantization-aware pruning for efficient low latency neural
network inference [56.24109486973292]
超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。
量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
論文 参考訳(メタデータ) (2021-02-22T19:00:05Z) - RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty
Quantification in Medical Image Segmentation [8.413049356622198]
メモリ効率のよいニューラルネットワークアーキテクチャを構築するための可逆ブロック。
RevPHiSegアーキテクチャは、医用画像セグメンテーションにおける不確実性定量化のために開発された。
その結果、RevPHiSegはPHiSegに比べて30%少ないメモリを消費し、非常によく似たセグメンテーション精度を実現している。
論文 参考訳(メタデータ) (2020-08-16T21:16:19Z) - ALF: Autoencoder-based Low-rank Filter-sharing for Efficient
Convolutional Neural Networks [63.91384986073851]
オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。
ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
論文 参考訳(メタデータ) (2020-07-27T09:01:22Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳(メタデータ) (2020-06-28T23:09:27Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。