論文の概要: CEL: A Continual Learning Model for Disease Outbreak Prediction by
Leveraging Domain Adaptation via Elastic Weight Consolidation
- arxiv url: http://arxiv.org/abs/2401.08940v1
- Date: Wed, 17 Jan 2024 03:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 17:14:11.347456
- Title: CEL: A Continual Learning Model for Disease Outbreak Prediction by
Leveraging Domain Adaptation via Elastic Weight Consolidation
- Title（参考訳）: cel:弾力的重み統合によるドメイン適応による疾病発生予測のための連続学習モデル
- Authors: Saba Aslam, Abdur Rasool, Hongyan Wu, Xiaoli Li
- Abstract要約: 本研究では,EWC(Elastic Weight Consolidation)による領域適応を利用した連続学習のための新しいCELモデルを提案する。
CELの堅牢性と信頼性は、既存のベンチマーク研究と比較して65%の忘れ込み率と18%のメモリ安定性で裏付けられている。
- 参考スコア（独自算出の注目度）: 4.693707128262634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continual learning, the ability of a model to learn over time without
forgetting previous knowledge and, therefore, be adaptive to new data, is
paramount in dynamic fields such as disease outbreak prediction. Deep neural
networks, i.e., LSTM, are prone to error due to catastrophic forgetting. This
study introduces a novel CEL model for continual learning by leveraging domain
adaptation via Elastic Weight Consolidation (EWC). This model aims to mitigate
the catastrophic forgetting phenomenon in a domain incremental setting. The
Fisher Information Matrix (FIM) is constructed with EWC to develop a
regularization term that penalizes changes to important parameters, namely, the
important previous knowledge. CEL's performance is evaluated on three distinct
diseases, Influenza, Mpox, and Measles, with different metrics. The high
R-squared values during evaluation and reevaluation outperform the other
state-of-the-art models in several contexts, indicating that CEL adapts to
incremental data well. CEL's robustness and reliability are underscored by its
minimal 65% forgetting rate and 18% higher memory stability compared to
existing benchmark studies. This study highlights CEL's versatility in disease
outbreak prediction, addressing evolving data with temporal patterns. It offers
a valuable model for proactive disease control with accurate, timely
predictions.
- Abstract（参考訳）: 連続学習は、モデルが過去の知識を忘れずに時間とともに学習する能力であり、そのため、新しいデータに適応することが、病気の発生予測のような動的分野において最重要である。
深層ニューラルネットワーク、すなわちLSTMは、破滅的な忘れ物のためにエラーを起こしやすい。
本研究では,EWC(Elastic Weight Consolidation)による領域適応を利用した連続学習のための新しいCELモデルを提案する。
このモデルは、ドメインインクリメンタルな設定における破滅的な忘れ現象を軽減することを目的としている。
Fisher Information Matrix (FIM) はEWCで構築され、重要なパラメータ、すなわち重要な過去の知識に変化をペナライズする正規化用語を開発する。
CELのパフォーマンスは、インフルエンザ、Mpox、麻疹の3つの異なる疾患で異なる指標で評価されている。
評価と再評価における高いR二乗値は、いくつかの文脈において他の最先端モデルよりも優れており、CELがインクリメンタルデータによく適応していることを示している。
CELの堅牢性と信頼性は、既存のベンチマーク研究と比較して65%の忘れ込み率と18%のメモリ安定性で裏付けられている。
本研究は、CELの疾病発生予測における汎用性を強調し、時間的パターンで進化するデータに対処する。
正確なタイムリーな予測で、プロアクティブな疾患管理のための貴重なモデルを提供する。
関連論文リスト
- Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。
タイムリーな介入のために5分間の予測ウィンドウが選択された。
本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
論文 参考訳（メタデータ） (2024-10-30T23:24:28Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - The unreasonable effectiveness of Batch-Norm statistics in addressing
catastrophic forgetting across medical institutions [8.244654685687054]
モデル改良と事前学習した知識の保持のトレードオフについて検討する。
本稿では,従来のデータセットのグローバルバッチ正規化統計値を用いて,弾性重み付け(EWC)を適応する,単純で効果的な手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T16:57:05Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳（メタデータ） (2020-05-24T10:43:55Z)
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。