論文の概要: UDAMA: Unsupervised Domain Adaptation through Multi-discriminator Adversarial Training with Noisy Labels Improves Cardio-fitness Prediction

• arxiv url: http://arxiv.org/abs/2307.16651v1
• Date: Mon, 31 Jul 2023 13:31:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 14:33:09.728869
• Title: UDAMA: Unsupervised Domain Adaptation through Multi-discriminator Adversarial Training with Noisy Labels Improves Cardio-fitness Prediction
• Title（参考訳）: UDAMA: ノイズラベルを用いた複数識別器による非教師的ドメイン適応
• Authors: Yu Wu, Dimitris Spathis, Hong Jia, Ignacio Perez-Pozuelo, Tomas Gonzales, Soren Brage, Nicholas Wareham, Cecilia Mascolo
• Abstract要約: UDAMAは、教師なしドメイン適応と多識別器適応訓練の2つの重要な要素を持つ手法である。 特に,心呼吸適合度(CRF)予測に応用することで,UDAMAの実用可能性を示す。 この結果から,様々なラベルシフト設定における分布シフトを緩和し,有望な性能を示す。
• 参考スコア（独自算出の注目度）: 16.26599832125242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have shown great promise in various healthcare monitoring applications. However, most healthcare datasets with high-quality (gold-standard) labels are small-scale, as directly collecting ground truth is often costly and time-consuming. As a result, models developed and validated on small-scale datasets often suffer from overfitting and do not generalize well to unseen scenarios. At the same time, large amounts of imprecise (silver-standard) labeled data, annotated by approximate methods with the help of modern wearables and in the absence of ground truth validation, are starting to emerge. However, due to measurement differences, this data displays significant label distribution shifts, which motivates the use of domain adaptation. To this end, we introduce UDAMA, a method with two key components: Unsupervised Domain Adaptation and Multidiscriminator Adversarial Training, where we pre-train on the silver-standard data and employ adversarial adaptation with the gold-standard data along with two domain discriminators. In particular, we showcase the practical potential of UDAMA by applying it to Cardio-respiratory fitness (CRF) prediction. CRF is a crucial determinant of metabolic disease and mortality, and it presents labels with various levels of noise (goldand silver-standard), making it challenging to establish an accurate prediction model. Our results show promising performance by alleviating distribution shifts in various label shift settings. Additionally, by using data from two free-living cohort studies (Fenland and BBVS), we show that UDAMA consistently outperforms up to 12% compared to competitive transfer learning and state-of-the-art domain adaptation models, paving the way for leveraging noisy labeled data to improve fitness estimation at scale.
• Abstract（参考訳）: ディープラーニングモデルは、さまざまな医療モニタリングアプリケーションで大きな可能性を秘めている。 しかしながら、高品質な(ゴールドスタンダードの)ラベルを持つほとんどの医療データセットは小規模である。 その結果、小規模データセット上で開発、検証されたモデルは、しばしば過剰フィッティングに苦しめられ、見当たらないシナリオにうまく一般化できない。 同時に、現代のウェアラブルの助けを借りて近似的な手法で注釈付けされた大量の不正確な(銀標準の)ラベル付きデータが出現し始めている。 しかし,測定上の違いから,このデータは重要なラベル分布シフトを示し,ドメイン適応の利用を動機付けている。 そこで本研究では,非教師付きドメイン適応と複数識別器対応訓練という2つの重要な要素を持つ UDAMA を導入し,銀標準データに対する事前トレーニングを行い,金標準データに対する逆適応を2つのドメイン識別器とともに適用する。 特に,心呼吸フィットネス(CRF)予測に応用することで,UDAMAの実用化の可能性を示す。 crfは代謝疾患と死亡率の重要な決定要因であり、様々なレベルのノイズ(金銀標準)を持つラベルを示し、正確な予測モデルを確立するのに困難である。 この結果から,様々なラベルシフト設定における分布シフトを緩和し,有望な性能を示す。 さらに,2つの自由生活コホート研究 (Fenland と BBVS) のデータを用いて,ユダマは競争的移行学習や最先端ドメイン適応モデルと比較して最大12%のパフォーマンスを示し,ノイズのあるラベル付きデータを活用して,大規模に適合度推定を改善する方法を確立した。

関連論文リスト

• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
  テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。 テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。 本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-02-07T15:41:01Z)
• Calibrated Adaptive Teacher for Domain Adaptive Intelligent Fault Diagnosis [7.88657961743755]
  教師なしのドメイン適応(UDA)は、ラベル付きデータがソースドメインで利用可能であり、ラベルなしデータがターゲットドメインでのみ利用可能であるシナリオを扱う。 本稿では,自己学習過程を通じて教師ネットワークの予測を校正する,Calibrated Adaptive Teacher (CAT) と呼ばれる新しいUDA手法を提案する。
  論文  参考訳（メタデータ） (2023-12-05T15:19:29Z)
• Turning Silver into Gold: Domain Adaptation with Noisy Labels for Wearable Cardio-Respiratory Fitness Prediction [16.26599832125242]
  教師なしドメイン適応と多識別器適応学習という2つの重要な要素を持つ新しいモデルであるUDAMAを提案する。 実験室で測定した最大酸素消費量を予測する上での課題について,本枠組みを検証した。 実験の結果,提案フレームワークは,corr = 0.665 $pm$ 0.04 の最適性能を達成し,精度の高い適合度推定を行うことができた。
  論文  参考訳（メタデータ） (2022-11-20T14:55:48Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Contrastive Domain Adaptation for Early Misinformation Detection: A Case Study on COVID-19 [8.828396559882954]
  初期の誤報は、しばしば既存の誤報データに対する条件とラベルのシフトを示す。 早期誤情報検出(CANMD)のためのコントラスト適応ネットワークを提案する。 結果は、CANMDが未確認の新型コロナウイルス標的領域に誤情報検出システムを効果的に適応させることができることを示唆している。
  論文  参考訳（メタデータ） (2022-08-20T02:09:35Z)
• VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data [64.91713686654805]
  Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。 我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。 厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
  論文  参考訳（メタデータ） (2021-07-23T03:21:51Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Unsupervised neural adaptation model based on optimal transport for spoken language identification [54.96267179988487]
  トレーニングセットとテストセット間の音響音声の統計的分布のミスマッチにより,音声言語識別(SLID)の性能が大幅に低下する可能性がある。 SLIDの分布ミスマッチ問題に対処するために,教師なしニューラル適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-24T07:37:19Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。