論文の概要: TemporalAugmenter: An Ensemble Recurrent Based Deep Learning Approach for Signal Classification

• arxiv url: http://arxiv.org/abs/2401.06970v1
• Date: Sat, 13 Jan 2024 03:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-01-17 20:33:04.519369
• Title: TemporalAugmenter: An Ensemble Recurrent Based Deep Learning Approach for Signal Classification
• Title（参考訳）: temporalaugmenter:信号分類のためのアンサンブルリカレントに基づくディープラーニングアプローチ
• Authors: Nelly Elsayed, Constantinos L. Zekios, Navid Asadizanjani, Zag ElSayed
• Abstract要約: 本稿では,テンポラリ情報収集のためのアンサンブルモデリングに基づく新しいテンポラリAugmenterアプローチを提案する。 提案したモデルは、産業、医療、人間とコンピュータのインタラクションアプリケーションを含む様々な領域に簡単に統合できる。
• 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: Ensemble modeling has been widely used to solve complex problems as it helps to improve overall performance and generalization. In this paper, we propose a novel TemporalAugmenter approach based on ensemble modeling for augmenting the temporal information capturing for long-term and short-term dependencies in data integration of two variations of recurrent neural networks in two learning streams to obtain the maximum possible temporal extraction. Thus, the proposed model augments the extraction of temporal dependencies. In addition, the proposed approach reduces the preprocessing and prior stages of feature extraction, which reduces the required energy to process the models built upon the proposed TemporalAugmenter approach, contributing towards green AI. Moreover, the proposed model can be simply integrated into various domains including industrial, medical, and human-computer interaction applications. Our proposed approach empirically evaluated the speech emotion recognition, electrocardiogram signal, and signal quality examination tasks as three different signals with varying complexity and different temporal dependency features.
• Abstract（参考訳）: アンサンブルモデリングは、全体的な性能と一般化を改善するのに役立つため、複雑な問題を解決するために広く用いられている。 本稿では,2つの学習ストリームにおける2種類の繰り返しニューラルネットワークのデータ統合において,長期的および短期的依存を考慮した時間的情報収集のためのアンサンブル・モデリングに基づく新しい時間的拡張手法を提案する。 したがって,提案モデルでは時間依存の抽出が強化される。 さらに、提案手法は、機能抽出の前処理と前処理を削減し、提案するテンポラルオーグメンタアプローチに基づくモデルを処理するために必要なエネルギーを削減し、グリーンAIに寄与する。 さらに、提案モデルは、産業、医療、人-コンピュータインタラクションアプリケーションを含む様々な領域に簡単に統合できる。 提案手法では, 音声の感情認識, 心電図信号, 信号品質検査のタスクを, 複雑度, 時間依存性の異なる3つの異なる信号として評価した。

関連論文リスト

• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis [4.753690672619091]
  本稿では,fMRI時系列における生BOLD信号のエンドツーエンド解析のための選択的状態空間アーキテクチャであるNeuroSSMを提案する。 NeuroSSMは2つの相補的な設計コンポーネントを通じて上記の制限に対処する。 臨床および非臨床データセットの実験は、NeuroSSMが最先端のfMRI分析法と競合する性能と効率を達成することを示した。
  論文  参考訳（メタデータ） (2026-01-03T16:35:45Z)
• Advancing physiological time series reconstruction and imputation via mixture of receptive fields and experts fusion [40.98861820195174]
  スコアベース拡散フレームワークにおいて,Mixture of Experts(MoE)に基づくノイズ推定器を提案する。 RFAMoEモジュールは拡散過程を通じて各チャネルが所望の受容場を適応的に選択できるように設計されている。 我々は、Fusion MoEモジュールを設計し、MoEモジュールの性質を革新的に活用し、Kノイズ信号を並列に生成し、ルーティング機構を用いてそれらを融合し、単一推論ステップで完全な信号再構成を行う。
  論文  参考訳（メタデータ） (2025-11-27T04:06:55Z)
• Machine Learning Approaches to Clinical Risk Prediction: Multi-Scale Temporal Alignment in Electronic Health Records [2.9576397177561087]
  本研究では,マルチスケール時間アライメントネットワーク(MSTAN)に基づくリスク予測手法を提案する。 電子健康記録(EHR)における時間的不規則性、サンプリング間隔差、およびマルチスケールダイナミック依存関係の課題に対処する。 EHRデータセットで実施された実験によると、提案されたモデルは、精度、リコール、精度、F1-Scoreのメインストリームベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-26T16:33:59Z)
• Dynamic Fusion Multimodal Network for SpeechWellness Detection [7.169178956727836]
  自殺は青年期の死因の1つである。 これまでの自殺リスク予測研究は、主に単独でテキスト情報と音響情報の両方に焦点を当ててきた。 音声検出のための動的融合機構に基づく軽量マルチブランチマルチモーダルシステムについて検討する。
  論文  参考訳（メタデータ） (2025-08-25T14:18:12Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
  本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。 提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
  論文  参考訳（メタデータ） (2025-04-04T07:11:12Z)
• EEG-Based Speech Decoding: A Novel Approach Using Multi-Kernel Ensemble Diffusion Models [0.0]
  本稿では脳波を用いた音声分類のためのアンサンブル学習フレームワークを提案する。 アンサンブルは、51、101、201のカーネルサイズを持つ3つのモデルで構成されている。 その結果,提案手法は個々のモデルや既存の最先端技術よりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-14T09:23:58Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• A Generic Approach to Integrating Time into Spatial-Temporal Forecasting via Conditional Neural Fields [1.7661845949769062]
  本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。 主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。 道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-11T14:20:23Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
  重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。 我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• A Functional Model for Structure Learning and Parameter Estimation in Continuous Time Bayesian Network: An Application in Identifying Patterns of Multiple Chronic Conditions [2.440763941001707]
  本稿では,ポアソン回帰に代表される条件依存型連続時間ベイズネットワークを提案する。 獣医科の電子健康記録から抽出した複数の慢性疾患患者のデータセットを用いた。 提案手法は、複数の慢性状態の間の複雑な機能的関係を、疎直的に表現する。
  論文  参考訳（メタデータ） (2020-07-31T05:02:34Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。