論文の概要: I Can't Believe It's Not Better: In-air Movement For Alzheimer Handwriting Synthetic Generation

• arxiv url: http://arxiv.org/abs/2312.05086v1
• Date: Fri, 8 Dec 2023 15:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 14:47:11.379877
• Title: I Can't Believe It's Not Better: In-air Movement For Alzheimer Handwriting Synthetic Generation
• Title（参考訳）: アルツハイマー・ハンドライティング・シンセティック・ジェネレーションのための空気中の運動
• Authors: Asma Bensalah, Antonio Parziale, Giuseppe De Gregorio, Angelo Marcelli, Alicia Forn\'es, and Llad\'os
• Abstract要約: 近年,筆跡解析や認識に深層学習が用いられている。 手書き解析の1つの主な応用は、健康分野における早期発見と診断である。 残念なことに、ほとんどのケース問題は依然としてデータの不足に悩まされており、ディープラーニングベースのモデルの使用を難しくしている。
• 参考スコア（独自算出の注目度）: 1.4513830934124623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During recent years, there here has been a boom in terms of deep learning use for handwriting analysis and recognition. One main application for handwriting analysis is early detection and diagnosis in the health field. Unfortunately, most real case problems still suffer a scarcity of data, which makes difficult the use of deep learning-based models. To alleviate this problem, some works resort to synthetic data generation. Lately, more works are directed towards guided data synthetic generation, a generation that uses the domain and data knowledge to generate realistic data that can be useful to train deep learning models. In this work, we combine the domain knowledge about the Alzheimer's disease for handwriting and use it for a more guided data generation. Concretely, we have explored the use of in-air movements for synthetic data generation.
• Abstract（参考訳）: 近年,手書き文字解析と認識の深層学習が盛んに行われている。 手書き解析の主な応用の一つは、健康分野における早期発見と診断である。 残念なことに、ほとんどのケース問題は依然としてデータの不足に悩まされており、ディープラーニングベースのモデルの使用が難しい。 この問題を軽減するために、合成データ生成を利用する研究もある。 近年では、ドメインとデータ知識を使用して、ディープラーニングモデルのトレーニングに有用な現実的なデータを生成する、ガイド付きデータ合成生成に向けた研究が増えている。 本研究では,アルツハイマー病の領域知識を手書き文字として組み合わせ,より指導的なデータ生成に利用する。 具体的には,合成データ生成における空中運動の利用について検討した。

関連論文リスト

• Synthetic data: How could it be used for infectious disease research? [0.16752458252726457]
  人工データセット生成の可能性に関連する潜在的な負の要因について懸念が高まっている。 これには、サイバー犯罪のような分野における生成的人工知能の潜在的な誤用が含まれる。 合成データは、特にデータプライバシ、研究、データセットのバランシングと機械学習モデルのバイアス低減において、大きなメリットを提供する。
  論文  参考訳（メタデータ） (2024-07-03T17:13:04Z)
• Text2Data: Low-Resource Data Generation with Textual Control [104.38011760992637]
  自然言語は、人間が機械とシームレスに対話するための共通かつ直接的な制御信号として機能する。 ラベルのないデータを用いて教師なし拡散モデルを用いて基礎となるデータ分布を理解する新しいアプローチであるText2Dataを提案する。 制御性を確保し、破滅的な忘れを効果的に防止する、新しい制約最適化ベースの学習目標を通じて制御可能な微調整を行う。
  論文  参考訳（メタデータ） (2024-02-08T03:41:39Z)
• Synthetic Demographic Data Generation for Card Fraud Detection Using GANs [4.651915393462367]
  我々は、人口統計データ生成に使用されるDGGANと呼ばれるディープラーニングジェネレーティブ・アドバイサル・ネットワーク(GAN)を構築している。 本モデルでは,モデルトレーニング中にサンプルを生成し,クラス不均衡問題を克服することの重要性を見出した。
  論文  参考訳（メタデータ） (2023-06-29T17:08:57Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Generating Faithful Synthetic Data with Large Language Models: A Case Study in Computational Social Science [13.854807858791652]
  我々は、合成データ生成における広範囲な問題に取り組み、その生成分布は、研究者が関心を持つ実世界のデータ分布とは異なることが多い。 本研究では,合成データの忠実度を高めるための3つの戦略について検討する。 本稿では,特定のタスクに対して高忠実度合成データを生成する方法について提案する。
  論文  参考訳（メタデータ） (2023-05-24T11:27:59Z)
• Synthetic Data in Healthcare [10.555189948915492]
  本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。 人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
  論文  参考訳（メタデータ） (2023-04-06T17:23:39Z)
• Synthetic data generation method for data-free knowledge distillation in regression neural networks [0.0]
  知識蒸留は、教師として知られる大きなニューラルネットワークを、学生として知られる小さなニューラルネットワークに圧縮する技術である。 従来, 学生モデルに逆らって学習したジェネレータモデルを用いて, 合成データを生成可能なデータフリー知識蒸留法が提案されてきた。 本研究では, 各種合成データ生成手法の挙動について検討し, 新たな合成データ生成戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-11T07:26:00Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• Evaluating Factuality in Generation with Dependency-level Entailment [57.5316011554622]
  本稿では,依存弧のレベルで分解するエンテーメントの新たな定式化を提案する。 このデータに基づいて訓練された依存関係弧包含モデルにより,文レベルの手法よりもパラフレーズ化や要約における現実的不整合を識別できることが示されている。
  論文  参考訳（メタデータ） (2020-10-12T06:43:10Z)
• Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
  我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。 自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。 我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
  論文  参考訳（メタデータ） (2020-10-03T03:18:52Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。