論文の概要: Exploring transfer learning for pathological speech feature prediction:
Impact of layer selection
- arxiv url: http://arxiv.org/abs/2402.01796v1
- Date: Fri, 2 Feb 2024 05:09:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 01:50:43.649170
- Title: Exploring transfer learning for pathological speech feature prediction:
Impact of layer selection
- Title(参考訳): 病的音声特徴予測のための伝達学習の探索:層選択の影響
- Authors: Daniela A. Wiepert, Rene L. Utianski, Joseph R. Duffy, John L.
Stricker, Leland R. Barnard, David T. Jones, Hugo Botha
- Abstract要約: 最適な層を選択すると性能が向上するが、最高の層は予測される特徴によって異なり、必ずしも見つからないデータに対してうまく一般化するとは限らない。
学習された重み付け和は、分配における平均的な最良層に匹敵する性能を提供し、分配外データに対するより良い一般化を提供する。
- 参考スコア(独自算出の注目度): 0.4188114563181615
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: There is interest in leveraging AI to conduct automatic, objective
assessments of clinical speech, in turn facilitating diagnosis and treatment of
speech disorders. We explore transfer learning, focusing on the impact of layer
selection, for the downstream task of predicting the presence of pathological
speech. We find that selecting an optimal layer offers large performance
improvements (12.4% average increase in balanced accuracy), though the best
layer varies by predicted feature and does not always generalize well to unseen
data. A learned weighted sum offers comparable performance to the average best
layer in-distribution and has better generalization for out-of-distribution
data.
- Abstract(参考訳): 音声障害の診断と治療を容易にするために、AIを活用して臨床音声の自動的客観的評価を行うことに関心がある。
病的発話の有無を予測する下流課題として,層選択の影響に着目し,伝達学習を検討する。
最適層を選択することで性能が向上する(平均12.4%のバランス精度向上)が、最高の層は予測された特徴によって異なり、常に見当たらないデータによく当てはまるとは限らない。
学習された重み付き和は、平均的最良層内分布に匹敵するパフォーマンスを提供し、分散外データのより優れた一般化を提供する。
関連論文リスト
- Entropy Guided Extrapolative Decoding to Improve Factuality in Large Language Models [55.45444773200529]
大きな言語モデル(LLM)は印象的な自然言語能力を示すが、幻覚に苦しむ。
最近の研究は推論時の事実性を改善するための復号化技術に焦点を当てている。
論文 参考訳(メタデータ) (2024-04-14T19:45:35Z) - Dataset Optimization for Chronic Disease Prediction with Bio-Inspired
Feature Selection [0.32634122554913997]
本研究は慢性疾患領域における予測分析の進歩に寄与する。
この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
論文 参考訳(メタデータ) (2023-12-17T18:18:34Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - Surgical Fine-Tuning Improves Adaptation to Distribution Shifts [114.17184775397067]
分散シフト下での伝達学習の一般的なアプローチは、事前訓練されたモデルの最後の数層を微調整することである。
本稿は, 階層のサブセットを選択的に微調整する手法が, 一般的に用いられている微調整手法と一致し, 性能が良くないことを示す。
論文 参考訳(メタデータ) (2022-10-20T17:59:15Z) - Adaptation of Autoencoder for Sparsity Reduction From Clinical Notes
Representation Learning [0.19573380763700707]
本稿では,臨床ノート表現の空間的縮小を生かしたオートエンコーダ学習アルゴリズムを提案する。
その動機は, 臨床注記表現特徴空間の次元を小さくすることで, スパースな高次元データを圧縮する方法を決定することである。
提案手法により,評価毎に最大3%の性能向上が得られた。
論文 参考訳(メタデータ) (2022-09-26T16:37:37Z) - Neuroevolutionary Feature Representations for Causal Inference [0.0]
本稿では,条件付き平均処理効果(CATE)の推定を支援する特徴表現の学習手法を提案する。
本手法は,特徴量から得られる結果を予測するために訓練されたニューラルネットワークの中間層に焦点をあてる。
論文 参考訳(メタデータ) (2022-05-21T09:13:04Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳(メタデータ) (2022-05-10T15:39:11Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Empirical Analysis of Machine Learning Configurations for Prediction of
Multiple Organ Failure in Trauma Patients [7.122236250657051]
多臓器不全(MOF)は生命を脅かす状態である。
包括的機械学習(ML)構成を用いた初期MOF予測の定量的解析を行う。
論文 参考訳(メタデータ) (2021-03-19T17:49:22Z) - Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality [0.0]
血液から特定の遺伝子の発現レベルを定量化することにより、患者の免疫反応を特徴づけることにより、両方のタスクを遂行する潜在的によりタイムリーで正確な手段を示す。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
急性感染症の診断分類器の開発におけるHO法と29の診断マーカーの遺伝子発現による院内死亡率の比較を行った。
論文 参考訳(メタデータ) (2020-03-27T10:22:02Z)
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。