論文の概要: An Improved Grey Wolf Optimization Algorithm for Heart Disease Prediction

• arxiv url: http://arxiv.org/abs/2401.11669v1
• Date: Mon, 22 Jan 2024 03:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 15:23:22.905834
• Title: An Improved Grey Wolf Optimization Algorithm for Heart Disease Prediction
• Title（参考訳）: 心臓病予測のための改良グレイウルフ最適化アルゴリズム
• Authors: Sihan Niu, Yifan Zhou, Zhikai Li, Shuyao Huang, and Yujun Zhou
• Abstract要約: 本稿では,適応曲線灰色のオオカミ最適化(ACGWO)アルゴリズムをニューラルネットワークのバックプロパゲーションに組み込むことにより,医用画像処理における課題に対するユニークな解決策を提案する。 本手法は他の10手法を超越し,86.8%の精度を達成し,臨床現場での効率的な心疾患予測の可能性を示した。
• 参考スコア（独自算出の注目度）: 5.489867271342724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a unique solution to challenges in medical image processing by incorporating an adaptive curve grey wolf optimization (ACGWO) algorithm into neural network backpropagation. Neural networks show potential in medical data but suffer from issues like overfitting and lack of interpretability due to imbalanced and scarce data. Traditional Gray Wolf Optimization (GWO) also has its drawbacks, such as a lack of population diversity and premature convergence. This paper addresses these problems by introducing an adaptive algorithm, enhancing the standard GWO with a sigmoid function. This algorithm was extensively compared to four leading algorithms using six well-known test functions, outperforming them effectively. Moreover, by utilizing the ACGWO, we increase the robustness and generalization of the neural network, resulting in more interpretable predictions. Applied to the publicly accessible Cleveland Heart Disease dataset, our technique surpasses ten other methods, achieving 86.8% accuracy, indicating its potential for efficient heart disease prediction in the clinical setting.
• Abstract（参考訳）: 本稿では,適応曲線灰色のオオカミ最適化(ACGWO)アルゴリズムをニューラルネットワークのバックプロパゲーションに組み込むことにより,医用画像処理における課題に対するユニークな解決策を提案する。 ニューラルネットワークは医療データに潜在的な可能性を示すが、不均衡と不足による過剰フィッティングや解釈可能性の欠如といった問題に苦しむ。 従来のグレーウルフ最適化(GWO)にも、人口の多様性の欠如や早期収束といった欠点がある。 本稿では,適応アルゴリズムを導入し,Sigmoid関数を用いた標準GWOを改良することにより,これらの問題に対処する。 このアルゴリズムは6つのよく知られたテスト関数を用いて4つの主要なアルゴリズムと比較し、効率よく性能を向上した。 さらに、ACGWOを利用することで、ニューラルネットワークの堅牢性と一般化を高め、より解釈可能な予測を行う。 クリーブランド心疾患データセットに適用し, 86.8%の精度で他の10法を上回り, 臨床における効率的な心疾患予測の可能性を示した。

関連論文リスト

• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Genetically Modified Wolf Optimization with Stochastic Gradient Descent for Optimising Deep Neural Networks [0.0]
  本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。 Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。 このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
  論文  参考訳（メタデータ） (2023-01-21T13:22:09Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
  本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。 提案手法の性能を2073個のMRI画像で検証する実験を行った。 性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
  論文  参考訳（メタデータ） (2022-06-08T14:29:06Z)
• COVID-19 Electrocardiograms Classification using CNN Models [1.1172382217477126]
  深層学習アルゴリズムの統合による心電図(ECG)データの利用により、COVID-19を自動的に診断するための新しいアプローチが提案されている。 CNNモデルは、VGG16、VGG19、InceptionResnetv2、InceptionV3、Resnet50、Densenet201を含む提案されたフレームワークで利用されている。 この結果,VGG16モデルと比較すると,他のモデルに比べて比較的精度が低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-15T08:06:45Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks [0.0]
  本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。 このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。
  論文  参考訳（メタデータ） (2020-07-25T19:08:04Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• Learning Decision Ensemble using a Graph Neural Network for Comorbidity Aware Chest Radiograph Screening [4.9178119168798045]
  機械学習に基づく自動化ソリューションは、放射線科医の定期的なスクリーニングの負担を軽減するために開発されている。 異なる疾患間の依存関係をモデル化するアンサンブル予測を得るために,グラフニューラルネットワーク(GNN)に基づくソリューションを提案する。
  論文  参考訳（メタデータ） (2020-04-24T12:57:50Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。