論文の概要: Advancing sleep detection by modelling weak label sets: A novel weakly
supervised learning approach
- arxiv url: http://arxiv.org/abs/2402.17601v1
- Date: Tue, 27 Feb 2024 15:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 15:45:41.951857
- Title: Advancing sleep detection by modelling weak label sets: A novel weakly
supervised learning approach
- Title（参考訳）: 弱ラベル集合のモデル化による睡眠検出の促進:新しい弱教師付き学習アプローチ
- Authors: Matthias Boeker, Vajira Thambawita, Michael Riegler, P{\aa}l
Halvorsen, Hugo L. Hammer
- Abstract要約: 本研究では,弱い教師付き学習を用いた睡眠検出手法を提案する。
提案手法は、従来の睡眠検出アルゴリズムによって生成された予測から導かれる弱いラベルの集合に依存する。
ソフトクロスエントロピーで訓練されたglslstmは、従来の睡眠検出アルゴリズムより優れていた。
- 参考スコア（独自算出の注目度）: 1.7252289303799446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding sleep and activity patterns plays a crucial role in physical
and mental health. This study introduces a novel approach for sleep detection
using weakly supervised learning for scenarios where reliable ground truth
labels are unavailable. The proposed method relies on a set of weak labels,
derived from the predictions generated by conventional sleep detection
algorithms. Introducing a novel approach, we suggest a novel generalised
non-linear statistical model in which the number of weak sleep labels is
modelled as outcome of a binomial distribution. The probability of sleep in the
binomial distribution is linked to the outcomes of neural networks trained to
detect sleep based on actigraphy. We show that maximizing the likelihood
function of the model, is equivalent to minimizing the soft cross-entropy loss.
Additionally, we explored the use of the Brier score as a loss function for
weak labels. The efficacy of the suggested modelling framework was demonstrated
using the Multi-Ethnic Study of Atherosclerosis dataset. A \gls{lstm} trained
on the soft cross-entropy outperformed conventional sleep detection algorithms,
other neural network architectures and loss functions in accuracy and model
calibration. This research not only advances sleep detection techniques in
scenarios where ground truth data is scarce but also contributes to the broader
field of weakly supervised learning by introducing innovative approach in
modelling sets of weak labels.
- Abstract（参考訳）: 睡眠と活動パターンを理解することは、身体的および精神的な健康において重要な役割を果たす。
本研究では,信頼できる基底的真理ラベルが利用できないシナリオに対して,弱い教師付き学習を用いた睡眠検出手法を提案する。
提案手法は、従来の睡眠検出アルゴリズムによって生成された予測から導かれる弱いラベルの集合に依存する。
新たなアプローチを導入し、弱睡眠ラベルの数を二項分布の結果としてモデル化した、一般化された非線形統計モデルを提案する。
二項分布における睡眠の確率は、アクチグラフィーに基づいて睡眠を検出するために訓練されたニューラルネットワークの結果と関連している。
モデルの可能性関数の最大化は,ソフトクロスエントロピー損失の最小化と等価であることを示す。
さらに,弱いラベルの損失関数としてブライアスコアを用いた場合についても検討した。
提案したモデリングフレームワークの有効性を動脈硬化データセットの多民族的研究を用いて実証した。
ソフトクロスエントロピーでトレーニングされた \gls{lstm} は、従来の睡眠検出アルゴリズム、他のニューラルネットワークアーキテクチャ、精度とモデルキャリブレーションにおける損失関数よりも優れている。
この研究は、地上の真実データが乏しいシナリオにおける睡眠検出技術を進歩させるだけでなく、弱いラベルの集合をモデル化する革新的なアプローチを導入することによって、弱教師付き学習の幅広い分野に寄与する。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced
Classification of Sleep Stages [4.649202082648198]
本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。
提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
論文 参考訳（メタデータ） (2023-07-04T01:56:00Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳（メタデータ） (2023-05-17T17:47:19Z) - Rethinking Precision of Pseudo Label: Test-Time Adaptation via
Complementary Learning [10.396596055773012]
本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。
テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。
我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
論文 参考訳（メタデータ） (2023-01-15T03:36:33Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Path classification by stochastic linear recurrent neural networks [2.5499055723658097]
トレーニングや分類作業に利用されるユニークな情報として,RNNが供給される経路の部分的なシグネチャを保持することを示す。
これらのRNNは訓練が容易で堅牢であり、これらの観測を合成データと実データの両方で数値実験で裏付けるものである、と我々は主張する。
論文 参考訳（メタデータ） (2021-08-06T12:59:12Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - TRIER: Template-Guided Neural Networks for Robust and Interpretable
Sleep Stage Identification from EEG Recordings [5.156484100374058]
本研究では,この課題に対処する事前学習手法を提案する。
経験豊富な医師が睡眠状態の分類に用いた従来の手法に着想を得て,コサイン類似性に基づく畳み込みニューラルネットワークを導入した。
本研究では,(1)分類性能が著しく向上し,(2)複数の面における堅牢性が向上するため,テンプレートパターンによるニューラルネットワークの誘導が睡眠ステージングに有効な方法であることを示す。
論文 参考訳（メタデータ） (2020-09-10T01:58:06Z)
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。