論文の概要: PAGE: Domain-Incremental Adaptation with Past-Agnostic Generative Replay
for Smart Healthcare
- arxiv url: http://arxiv.org/abs/2403.08197v1
- Date: Wed, 13 Mar 2024 02:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 15:49:54.396140
- Title: PAGE: Domain-Incremental Adaptation with Past-Agnostic Generative Replay
for Smart Healthcare
- Title(参考訳): PAGE: 過去に依存しない生成リプレイによるドメインインクリメンタル適応
スマートヘルスケア
- Authors: Chia-Hao Li and Niraj K. Jha
- Abstract要約: PAGEは、保存されたデータや以前のドメインの情報なしで生成的な再生を可能にする。
3つの異なる疾患データセットを用いたドメイン・インクリメンタルな疾患検出におけるPAGEの有効性を示す。
- 参考スコア(独自算出の注目度): 3.6483275471647456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose PAGE, a domain-incremental adaptation strategy with past-agnostic
generative replay for smart healthcare. PAGE enables generative replay without
the aid of any preserved data or information from prior domains. When adapting
to a new domain, it exploits real data from the new distribution and the
current model to generate synthetic data that retain the learned knowledge of
previous domains. By replaying the synthetic data with the new real data during
training, PAGE achieves a good balance between domain adaptation and knowledge
retention. In addition, we incorporate an extended inductive conformal
prediction (EICP) method into PAGE to produce a confidence score and a
credibility value for each detection result. This makes the predictions
interpretable and provides statistical guarantees for disease detection in
smart healthcare applications. We demonstrate PAGE's effectiveness in
domain-incremental disease detection with three distinct disease datasets
collected from commercially available WMSs. PAGE achieves highly competitive
performance against state-of-the-art with superior scalability, data privacy,
and feasibility. Furthermore, PAGE can enable up to 75% reduction in clinical
workload with the help of EICP.
- Abstract(参考訳): スマートヘルスケアのための遺伝子組み換えによるドメインインクリメンタル・アダプティブ・ストラテジーであるPAGEを提案する。
PAGEは、以前のドメインから保存されたデータや情報の助けなしに生成的再生を可能にする。
新しいドメインに適応すると、新しいディストリビューションと現在のモデルから実際のデータを利用して、以前のドメインの学習した知識を保持する合成データを生成する。
学習中に合成データを新しい実データで再生することにより、PAGEはドメイン適応と知識保持のバランスを良くする。
さらに、拡張帰納的共形予測(EICP)手法をPAGEに組み込んで、各検出結果に対する信頼性スコアと信頼性値を生成する。
これにより、予測は解釈可能となり、スマートヘルスケアアプリケーションにおける疾患検出の統計的保証を提供する。
市販WMSから収集した3つの異なる疾患データセットを用いて,ドメイン・インクリメンタルな疾患検出におけるPAGEの有効性を実証した。
PAGEは、スケーラビリティ、データプライバシ、実現可能性に優れた最先端技術に対して高い競争力を発揮する。
さらに、PAGEはEICPの助けを借りて、臨床ワークロードの最大75%の削減を可能にする。
関連論文リスト
- Bt-GAN: Generating Fair Synthetic Healthdata via Bias-transforming Generative Adversarial Networks [3.3903891679981593]
本稿では,医療領域に特化して設計されたGANベースの合成データジェネレータであるBias-transforming Generative Adversarial Networks (Bt-GAN)について述べる。
以上の結果から,Bt-GANはSOTA精度を向上し,公平性とバイアスの最小化を図った。
論文 参考訳(メタデータ) (2024-04-21T12:16:38Z) - Medical Unlearnable Examples: Securing Medical Data from Unauthorized Traning via Sparsity-Aware Local Masking [24.850260039814774]
Sparsity-Aware Local Masking (SALM) 法は、以前の戦略のように画像全体ではなく、重要なピクセル領域を選択的に摂動させる。
SALMは、ディープラーニングモデルの不正なトレーニングを効果的に防止し、従来の最先端のデータ保護手法より優れている。
論文 参考訳(メタデータ) (2024-03-15T02:35:36Z) - CEL: A Continual Learning Model for Disease Outbreak Prediction by
Leveraging Domain Adaptation via Elastic Weight Consolidation [4.693707128262634]
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。
論文 参考訳(メタデータ) (2024-01-17T03:26:04Z) - 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) - PRISM: Leveraging Prototype Patient Representations with Feature-Missing-Aware Calibration for EHR Data Sparsity Mitigation [7.43022275563357]
PRISMは、類似した患者のプロトタイプ表現を通じてデータを間接的にインプットするフレームワークである。
PRISMには機能信頼学習モジュールも含まれており、欠落したデータから各機能の信頼性を評価する。
論文 参考訳(メタデータ) (2023-09-08T07:01:38Z) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳(メタデータ) (2022-02-14T16:42:16Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-12T18:13:45Z) - 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) - Unsupervised Domain Adaptation for Speech Recognition via Uncertainty
Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文 参考訳(メタデータ) (2020-11-26T18:51:26Z) - 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)
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。