論文の概要: Shayona@SMM4H23: COVID-19 Self diagnosis classification using BERT and
LightGBM models
- arxiv url: http://arxiv.org/abs/2401.02158v1
- Date: Thu, 4 Jan 2024 09:13:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 15:34:48.842878
- Title: Shayona@SMM4H23: COVID-19 Self diagnosis classification using BERT and
LightGBM models
- Title(参考訳): Shayona@SMM4H23: BERTとLightGBMモデルを用いた自己診断分類
- Authors: Rushi Chavda, Darshan Makwana, Vraj Patel, Anupam Shukla
- Abstract要約: 本稿では,Team Shayona による SMMH4-23 のタスク 1 と 4 の共有に対するアプローチと結果について述べる。
私たちのチームは、すべての参加者の中で、Task-1のf1スコア0.94を達成しました。
- 参考スコア(独自算出の注目度): 1.5566524830295307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes approaches and results for shared Task 1 and 4 of
SMMH4-23 by Team Shayona. Shared Task-1 was binary classification of english
tweets self-reporting a COVID-19 diagnosis, and Shared Task-4 was Binary
classification of English Reddit posts self-reporting a social anxiety disorder
diagnosis. Our team has achieved the highest f1-score 0.94 in Task-1 among all
participants. We have leveraged the Transformer model (BERT) in combination
with the LightGBM model for both tasks.
- Abstract(参考訳): 本稿では,Team Shayona による SMMH4-23 のタスク 1 と 4 の共有に対するアプローチと結果について述べる。
共有タスク1は、covid-19診断を自己報告する英語ツイートのバイナリ分類であり、共有タスク4は、社会不安障害診断を自己報告する英語のreddit投稿のバイナリ分類であった。
私たちのチームは、すべての参加者の中で、タスク1でf1-score 0.94を最高に達成しました。
両タスクで LightGBM モデルと組み合わせて Transformer Model (BERT) を利用した。
関連論文リスト
- SemEval-2024 Shared Task 6: SHROOM, a Shared-task on Hallucinations and
Related Observable Overgeneration Mistakes [49.97855996078954]
本稿では,幻覚検出に焦点をあてた共有タスクであるSHROOMの結果について述べる。
このアプローチをどのように取り組んだかについて、いくつかの重要なトレンドを観察します。
チームの大多数が提案したベースラインシステムより優れていますが、トップスコアシステムのパフォーマンスは依然として、より困難なアイテムのランダムなハンドリングと一致しています。
論文 参考訳(メタデータ) (2024-03-12T15:06:22Z) - MANTIS at #SMM4H 2023: Leveraging Hybrid and Ensemble Models for
Detection of Social Anxiety Disorder on Reddit [29.857322234373317]
本稿では,ソーシャル・メディア・マイニング・フォー・ヘルス (Social Media Mining for Health) 2023 Shared Task 4: Binary classification of English Reddit post in self-reporting a social anxiety disorder diagnosisについて述べる。
本稿では,BiLSTMニューラルネットを併用した医療領域適応トランスフォーマを用いたハイブリッドモデルとアンサンブルモデルの有効性について検討・比較する。
論文 参考訳(メタデータ) (2023-11-28T09:33:41Z) - Text Augmentations with R-drop for Classification of Tweets Self
Reporting Covid-19 [28.91836510067532]
本稿では,ソーシャル・メディア・マイニング・フォー・ヘルス2023共有タスクのためのモデルを提案する。
我々のアプローチは、多種多様なテキスト拡張を取り入れた分類モデルである。
テストセットのF1スコアは0.877である。
論文 参考訳(メタデータ) (2023-11-06T14:18:16Z) - tmn at #SMM4H 2023: Comparing Text Preprocessing Techniques for
Detecting Tweets Self-reporting a COVID-19 Diagnosis [1.8492669447784602]
本稿では,SMM4H 2023におけるタスク1のために開発されたシステムについて述べる。
このタスクの目的は、新型コロナウイルス(COVID-19)の診断を自己報告するツイートと、そうでないツイートを自動的に区別することだ。
論文 参考訳(メタデータ) (2023-11-01T07:41:23Z) - Customizing General-Purpose Foundation Models for Medical Report
Generation [64.31265734687182]
ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。
本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
論文 参考訳(メタデータ) (2023-06-09T03:02:36Z) - Auditing Algorithmic Fairness in Machine Learning for Health with
Severity-Based LOGAN [70.76142503046782]
臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。
LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。
SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
論文 参考訳(メタデータ) (2022-11-16T08:04:12Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - BERT based Transformers lead the way in Extraction of Health Information
from Social Media [0.0]
英語ツイートにおける有害薬物効果(ade)の分類・抽出・正規化(task-1)と症状を含むcovid-19ツイートの分類(task-6)の2つの課題に参加した。
サブタスク-1(a)は61%のF1スコアで1位にランクインしました。
サブタスク-1(b)では50%のF1スコアを獲得し、すべての提出物の平均スコアに対して最大で+8%のF1を向上しました。
BERTweetモデルはSMM4H 2021 Task-6で94%のF1スコアを達成しました。
論文 参考訳(メタデータ) (2021-04-15T10:50:21Z) - Fine-Tuning Transformers for Identifying Self-Reporting Potential Cases
and Symptoms of COVID-19 in Tweets [5.425235965110337]
私たちは、2021年のソーシャルメディアマイニング for Health Applications(SMM4H)共有タスクのタスク5および6に対する当社のストレートフォワードアプローチについて説明します。
私たちのシステムは、各タスクの微調整Distill-BERT、および最初に他のタスクのモデルを微調整に基づいています。
論文 参考訳(メタデータ) (2021-04-12T14:31:51Z) - CO-Search: COVID-19 Information Retrieval with Semantic Search, Question
Answering, and Abstractive Summarization [53.67205506042232]
CO-Searchは、新型コロナウイルスの文献上の複雑なクエリを処理するように設計された、レトリバーランサーセマンティック検索エンジンである。
ドメイン固有の比較的限られたデータセットを考慮し、文書の段落と引用の2部グラフを生成する。
TREC-COVID情報検索課題のデータに基づいて,本システムの評価を行った。
論文 参考訳(メタデータ) (2020-06-17T01:32:48Z)
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。