論文の概要: Comparing Feature Engineering and End-to-End Deep Learning for Autism
Spectrum Disorder Assessment based on Fullbody-Tracking
- arxiv url: http://arxiv.org/abs/2311.14533v1
- Date: Fri, 24 Nov 2023 14:56:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 14:47:09.822582
- Title: Comparing Feature Engineering and End-to-End Deep Learning for Autism
Spectrum Disorder Assessment based on Fullbody-Tracking
- Title(参考訳): 完全追跡に基づく自閉症スペクトラム障害評価のための特徴工学とエンドツーエンドディープラーニングの比較
- Authors: Alberto Altozano, Maria Eleonora Minissi, Mariano Alca\~niz, Javier
Mar\'in-Morales
- Abstract要約: 我々は、複数のモータータスクと両方の分類手法を用いて訓練されたモデルを備えたバーチャルリアリティ環境を開発する。
比較分析の結果、手作りの機能は、特定のタスクにおけるディープラーニングアプローチよりも優れていることがわかった。
- 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: Autism Spectrum Disorder (ASD) is characterized by challenges in social
communication and restricted patterns, with motor abnormalities gaining
traction for early detection. However, kinematic analysis in ASD is limited,
often lacking robust validation and relying on hand-crafted features for single
tasks, leading to inconsistencies across studies. Thus, end-to-end models have
become promising methods to overcome the need for feature engineering. Our aim
is to assess both approaches across various kinematic tasks to measure the
efficacy of commonly used features in ASD assessment, while comparing them to
end-to-end models. Specifically, we developed a virtual reality environment
with multiple motor tasks and trained models using both classification
approaches. We prioritized a reliable validation framework with repeated
cross-validation. Our comparative analysis revealed that hand-crafted features
outperformed our deep learning approach in specific tasks, achieving a
state-of-the-art area under the curve (AUC) of 0.90$\pm$0.06. Conversely,
end-to-end models provided more consistent results with less variability across
all VR tasks, demonstrating domain generalization and reliability, with a
maximum task AUC of 0.89$\pm$0.06. These findings show that end-to-end models
enable less variable and context-independent ASD assessments without requiring
domain knowledge or task specificity. However, they also recognize the
effectiveness of hand-crafted features in specific task scenarios.
- Abstract(参考訳): 自閉症スペクトラム障害(ASD)は、社会的コミュニケーションと制限されたパターンの課題が特徴であり、早期発見のために運動異常が牽引されている。
しかし、asdのキネマティック解析は限定的であり、しばしば堅牢な検証を欠き、単一のタスクのために手作りの機能に依存する。
したがって、エンドツーエンドのモデルは機能工学の必要性を克服するための有望な方法になっている。
本研究の目的は,多種多様なキネマティックなタスクにまたがる両方のアプローチを評価し,ASDアセスメントにおける一般的な特徴の有効性を,エンド・ツー・エンド・モデルと比較することである。
具体的には、複数のモータータスクと両方の分類手法を用いたトレーニングモデルを備えたバーチャルリアリティ環境を開発した。
相互検証を繰り返し行う信頼性の高い検証フレームワークを優先しました。
比較分析の結果、手作りの機能は特定のタスクにおけるディープラーニングのアプローチよりも優れており、曲線(AUC)が0.90$\pm$0.06の最先端領域を達成できた。
逆に、エンド・ツー・エンドのモデルでは、すべてのVRタスクのばらつきが少なく、ドメインの一般化と信頼性を示し、最大タスク AUC は 0.89$\pm$0.06 である。
これらの結果から,エンド・ツー・エンドのモデルでは,ドメイン知識やタスク特異性を必要とせず,変数やコンテキストに依存しないSDアセスメントがより少ないことが示唆された。
しかし、特定のタスクシナリオにおける手作り機能の有効性も認識している。
関連論文リスト
- A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。
ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
論文 参考訳(メタデータ) (2024-05-06T07:44:07Z) - Evaluating the Effectiveness of Video Anomaly Detection in the Wild: Online Learning and Inference for Real-world Deployment [2.1374208474242815]
Video Anomaly Detection (VAD) は、監視から医療まで幅広い応用の鍵となる、ビデオストリームにおける異常な活動を特定する。
実生活環境でのVADに取り組むことは、人間の行動の動的な性質、環境の変化、ドメインシフトによって大きな課題となる。
オンライン学習は、モデルを新しい情報に継続的に適応させることによって、この問題を軽減するための潜在的戦略である。
論文 参考訳(メタデータ) (2024-04-29T14:47:32Z) - Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。
再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。
MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文 参考訳(メタデータ) (2024-04-23T16:01:33Z) - SURE: SUrvey REcipes for building reliable and robust deep networks [12.268921703825258]
本稿では,深層ニューラルネットワークにおける不確実性推定手法を再検討し,信頼性を高めるために一連の手法を統合する。
我々は,不確実性推定の有効性を示す重要なテストベッドである故障予測のベンチマークに対して,SUREを厳格に評価する。
データ破損、ラベルノイズ、長い尾のクラス分布といった現実世界の課題に適用した場合、SUREは顕著な堅牢性を示し、現在の最先端の特殊手法と同等あるいは同等な結果をもたらす。
論文 参考訳(メタデータ) (2024-03-01T13:58:19Z) - ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。
本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。
ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
論文 参考訳(メタデータ) (2023-12-03T19:07:30Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - Comparing AutoML and Deep Learning Methods for Condition Monitoring
using Realistic Validation Scenarios [0.0]
本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。
実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。
実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
論文 参考訳(メタデータ) (2023-08-28T14:57:29Z) - On Exploring Pose Estimation as an Auxiliary Learning Task for
Visible-Infrared Person Re-identification [66.58450185833479]
本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。
これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。
2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
論文 参考訳(メタデータ) (2022-01-11T09:44:00Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳(メタデータ) (2021-10-21T07:28:11Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳(メタデータ) (2020-04-29T02:32:04Z)
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。