Fugu-MT 論文翻訳(概要): Using Causal Trees to Estimate Personalized Task Difficulty in Post-Stroke Individuals

論文の概要: Using Causal Trees to Estimate Personalized Task Difficulty in Post-Stroke Individuals

arxiv url: http://arxiv.org/abs/2403.04109v1
Date: Wed, 6 Mar 2024 23:43:51 GMT
ステータス: 処理完了
システム内更新日: 2024-03-08 15:43:47.789746
Title: Using Causal Trees to Estimate Personalized Task Difficulty in Post-Stroke Individuals
Title（参考訳）: 因果木を用いたストローク後の個人別課題難易度推定
Authors: Nathaniel Dennler, Stefanos Nikolaidis, and Maja Matari\'c
Abstract要約: 本研究では,個人のパフォーマンスに基づいて,タスクの難易度が異なる領域を自動的に生成する手法を提案する。本手法は,タスクの難易度を推定する従来の手法よりも,到達タスクのユーザパフォーマンスのばらつきを説明できることを示す。
参考スコア（独自算出の注目度）: 6.592098741359849
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adaptive training programs are crucial for recovery post stroke. However, developing programs that automatically adapt depends on quantifying how difficult a task is for a specific individual at a particular stage of their recovery. In this work, we propose a method that automatically generates regions of different task difficulty levels based on an individual's performance. We show that this technique explains the variance in user performance for a reaching task better than previous approaches to estimating task difficulty.
Abstract（参考訳）: 適応訓練プログラムは脳卒中の回復に不可欠である。しかし、自動的に適応するプログラムの開発は、回復の特定の段階で特定の個人に対してタスクがどれだけ難しいかの定量化に依存する。本研究では,個人のパフォーマンスに基づいて,タスクの難易度が異なる領域を自動的に生成する手法を提案する。本手法は,タスクの難易度を推定する従来の手法よりも,到達タスクのユーザパフォーマンスのばらつきを説明する。

関連論文リスト

Task Weighting through Gradient Projection for Multitask Learning [5.5967570276373655]
マルチタスク学習では、タスク勾配間の衝突は、モデルのトレーニングパフォーマンスを劣化させる頻繁な問題である。本研究では,タスク優先順位付けを同時に行うために,グラディエント・プロジェクション・アルゴリズムであるPCGradを適用する手法を提案する。従来のタスクの重み付けとは違い、重み付け方式は、タスクが矛盾している場合にのみ適用されるが、トレーニングを妨げない場合にのみ適用される。
論文参考訳（メタデータ） (2024-09-03T11:17:44Z)
DOLOMITES: Domain-Specific Long-Form Methodical Tasks [81.63464319950664]
本研究では,課題目標,手順,入力,出力の形式で構成された方法論的タスクのタイプロジーを開発する。このベンチマークは519の仕様で、25の分野から数百のエキスパートが引き起こしたタスクである。さらに,本ベンチマークでは,具体的入力と出力の例を用いた方法論的タスクの具体的インスタンス化について述べる。
論文参考訳（メタデータ） (2024-05-09T17:25:31Z)
Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文参考訳（メタデータ） (2024-01-07T18:12:20Z)
Towards Model-Based Data Acquisition for Subjective Multi-Task NLP Problems [12.38430125789305]
マルチタスクシナリオにおける各テキストに対して個別にアノテートされたタスクの選択を可能にする新しいモデルベースアプローチを提案する。 3つのデータセット、数十のNLPタスク、数千のアノテーションによる実験により、我々の手法は、知識の喪失を無視できるアノテーションの数を最大40%削減できることを示した。
論文参考訳（メタデータ） (2023-12-13T15:03:27Z)
Task-Adaptive Tokenization: Enhancing Long-Form Text Generation Efficacy in Mental Health and Beyond [66.07002187192448]
本稿では,下流タスクの特定部分に生成パイプラインを適応させる手法として,タスク適応型トークン化を提案する。専門用語を構築するための戦略を導入し、語彙統合プロトコルを導入する。タスク適応型トークン化アプローチでは、最大60%のトークンを使用しながら、生成パフォーマンスが大幅に向上することが分かりました。
論文参考訳（メタデータ） (2023-10-09T00:20:59Z)
Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to Sequence approach [0.0]
本稿では,分散ルールを自動的に学習するスケジューリングに対して,エンドツーエンドのDeep Reinforcement Learningアプローチを提案する。我々は、優先順位付けルールを利用した古典的アプローチの多くを上回り、最先端のDeep Reinforcement Learning(Deep Reinforcement Learning)における競争結果を示す。
論文参考訳（メタデータ） (2023-08-03T14:52:17Z)
Efficiently Identifying Task Groupings for Multi-Task Learning [55.80489920205404]
マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。マルチタスク学習モデルにおいて、どのタスクを一緒にトレーニングすべきかを選択するアプローチを提案する。本手法は,全タスクを協調学習し,タスクの勾配が他のタスクの損失に影響を及ぼす影響を定量化する。
論文参考訳（メタデータ） (2021-09-10T02:01:43Z)
Auxiliary Task Update Decomposition: The Good, The Bad and The Neutral [18.387162887917164]
補助的タスク勾配のきめ細かい操作を行うモデルに依存しないフレームワークを定式化する。そこで本研究では,タスクの損失を軽減・ダメージ・回避する方向に補助的な更新を分解することを提案する。テキストと画像の分類タスクのアウト・オブ・ディストリビューションデータを活用する場合,我々のアプローチは一貫して,強靭で広く使用されているベースラインよりも優れています。
論文参考訳（メタデータ） (2021-08-25T17:09:48Z)
One Solution is Not All You Need: Few-Shot Extrapolation via Structured MaxEnt RL [142.36621929739707]
課題を達成するために多様な行動を学ぶことは、様々な環境に一般化する行動を引き起こす可能性があることを示す。トレーニング中の1つの環境でタスクの複数のソリューションを識別することにより、我々のアプローチは新たな状況に一般化できる。
論文参考訳（メタデータ） (2020-10-27T17:41:57Z)
Adaptive Procedural Task Generation for Hard-Exploration Problems [78.20918366839399]
ハード探索問題における強化学習を容易にするために,適応手続きタスク生成(APT-Gen)を導入する。私たちのアプローチの中心は、ブラックボックスの手続き生成モジュールを通じてパラメータ化されたタスク空間からタスクを作成することを学習するタスクジェネレータです。学習進捗の直接指標がない場合のカリキュラム学習を可能にするために,生成したタスクにおけるエージェントのパフォーマンスと,対象タスクとの類似性をバランスさせてタスクジェネレータを訓練することを提案する。
論文参考訳（メタデータ） (2020-07-01T09:38:51Z)

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。