論文の概要: Predicting Early Dropouts of an Active and Healthy Ageing App

• arxiv url: http://arxiv.org/abs/2308.00539v1
• Date: Tue, 1 Aug 2023 13:32:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 14:03:14.735972
• Title: Predicting Early Dropouts of an Active and Healthy Ageing App
• Title（参考訳）: アクティブで健康な老化アプリの早期ドロップアウト予測
• Authors: Vasileios Perifanis, Ioanna Michailidi, Giorgos Stamatelatos, George Drosatos, Pavlos S. Efraimidis
• Abstract要約: 我々は、アクティブで健康な老化アプリの早期ドロップアウトを予測するための機械学習アプローチを提案する。 我々は,動的特徴量と静的特徴量を用いてユーザの付着度を予測する分類モデルを構築するために,事前処理手法を用いた。 我々の手法は2022年のIFMBE Scientific Challengeで優勝した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we present a machine learning approach for predicting early dropouts of an active and healthy ageing app. The presented algorithms have been submitted to the IFMBE Scientific Challenge 2022, part of IUPESM WC 2022. We have processed the given database and generated seven datasets. We used pre-processing techniques to construct classification models that predict the adherence of users using dynamic and static features. We submitted 11 official runs and our results show that machine learning algorithms can provide high-quality adherence predictions. Based on the results, the dynamic features positively influence a model's classification performance. Due to the imbalanced nature of the dataset, we employed oversampling methods such as SMOTE and ADASYN to improve the classification performance. The oversampling approaches led to a remarkable improvement of 10\%. Our methods won first place in the IFMBE Scientific Challenge 2022.
• Abstract（参考訳）: 本研究では,アクティブで健康な老化アプリの早期ドロップアウトを予測するための機械学習手法を提案する。 提案されたアルゴリズムは、IUPESM WC 2022の一部としてIFMBE Scientific Challenge 2022に提出された。 与えられたデータベースを処理し、7つのデータセットを生成しました。 我々は,動的かつ静的な特徴を用いてユーザの定着度を予測する分類モデルの構築に,事前処理手法を用いた。 我々は11のオフィシャルランを提出し、その結果、機械学習アルゴリズムが高品質な順守予測を提供することを示した。 その結果,動的特徴はモデルの分類性能に正の影響を与えることがわかった。 データセットの非バランス性のため,SMOTEやADASYNなどのオーバーサンプリング手法を用いて分類性能を向上した。 オーバーサンプリングアプローチは10倍の大幅な改善をもたらした。 我々の手法は2022年のIFMBE Scientific Challengeで優勝した。

関連論文リスト

• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Revisiting Machine Learning based Test Case Prioritization for Continuous Integration [14.969146789178211]
  機械学習ベースの(MLベースの)テストケース優先順位付け技術が、同じ実験環境下でどのように機能するかは不明だ。 本研究では,11名のオープンソース被験者を対象に,11名の代表的MLベースのCI優先化手法の性能について検討した。 我々はMLベースの手法の有効性を高めるためにいくつかの実用的な提案を行う。
  論文  参考訳（メタデータ） (2023-11-22T14:19:24Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Utilizing Explainable AI for improving the Performance of Neural Networks [6.670483888835783]
  我々はXAIから始まるモデル予測を継続的に改善するリトレーニングパイプラインを提案する。 提案手法を実生活と公開両方のデータセットで評価する。 SHAPベースのリトレーニング手法を用いた実験は、タスクをカウントする人に対して、標準の等重量リトレーニングの精度を4%向上させる。
  論文  参考訳（メタデータ） (2022-10-07T09:39:20Z)
• Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
  デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。 本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
  論文  参考訳（メタデータ） (2022-07-15T12:13:04Z)
• Prompt-based Pre-trained Model for Personality and Interpersonal Reactivity Prediction [19.288384399961867]
  本稿では、LingJingチームによる主観性・感性・ソーシャルメディア分析に関するワークショップ(WASSA)2022におけるパーソナリティ予測(PER)と反応性指標予測(IRI)の共有タスクについて述べる。
  論文  参考訳（メタデータ） (2022-03-23T15:22:34Z)
• Data-Centric Machine Learning in the Legal Domain [0.2624902795082451]
  本稿では,データセットの変化がモデルの性能に与える影響について考察する。 法律ドメインから公開されている3つのデータセットを用いて,そのサイズ,列車/テストの分割,および人間のラベル付け精度がパフォーマンスに与える影響について検討する。 観察された効果は、特にクラスごとのパフォーマンスを考慮した場合、驚くほど顕著である。
  論文  参考訳（メタデータ） (2022-01-17T23:05:14Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Active Learning for Gaussian Process Considering Uncertainties with Application to Shape Control of Composite Fuselage [7.358477502214471]
  ガウス過程に不確実性のある2つの新しい能動学習アルゴリズムを提案する。 提案手法は不確実性の影響を取り入れ,予測性能の向上を実現する。 本手法は, 複合胴体の自動形状制御における予測モデルの改善に応用されている。
  論文  参考訳（メタデータ） (2020-04-23T02:04:53Z)

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。