Fugu-MT 論文翻訳(概要): Computation-Efficient Semi-Supervised Learning for ECG-based Cardiovascular Diseases Detection

論文の概要: Computation-Efficient Semi-Supervised Learning for ECG-based Cardiovascular Diseases Detection

arxiv url: http://arxiv.org/abs/2406.14377v1
Date: Thu, 20 Jun 2024 14:45:13 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 13:12:50.669846
Title: Computation-Efficient Semi-Supervised Learning for ECG-based Cardiovascular Diseases Detection
Title（参考訳）: 心電図に基づく心血管疾患検出のための計算効率のよい半教師付き学習法
Authors: Rushuang Zhou, Zijun Liu, Lei Clifton, David A. Clifton, Kannie W. Y. Chan, Yuan-Ting Zhang, Yining Dong,
Abstract要約: 本稿では,ECGを用いた頑健かつ計算効率の高いCVD検出のための計算効率の高い半教師付き学習パラダイム(FastECG)を提案する。これは、限られた監督と高い計算効率で、下流データセットに事前訓練されたモデルの堅牢な適応を可能にする。
参考スコア（独自算出の注目度）: 16.34314710823127
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Label scarcity problem is the main challenge that hinders the wide application of deep learning systems in automatic cardiovascular diseases (CVDs) detection using electrocardiography (ECG). Tuning pre-trained models alleviates this problem by transferring knowledge learned from large datasets to downstream small datasets. However, bottlenecks in computational efficiency and CVDs detection performance limit its clinical applications. It is difficult to improve the detection performance without significantly sacrificing model computational efficiency. Here, we propose a computation-efficient semi-supervised learning paradigm (FastECG) for robust and computation-efficient CVDs detection using ECG. It enables a robust adaptation of pre-trained models on downstream datasets with limited supervision and high computational efficiency. First, a random-deactivation technique is developed to achieve robust and fast low-rank adaptation of pre-trained weights. Subsequently, we propose a one-shot rank allocation module to determine the optimal ranks for the update matrices of the pre-trained weights. Finally, a lightweight semi-supervised learning pipeline is introduced to enhance model performance by leveraging labeled and unlabeled data with high computational efficiency. Extensive experiments on four downstream ECG datasets demonstrate that FastECG not only outperforms the state-of-the-art methods in multi-label CVDs detection but also consumes fewer GPU footprints, training time, and parameter storage space. As such, this paradigm provides an effective solution for achieving high computational efficiency and robust detection performance in the clinical applications of pre-trained models under limited supervision.
Abstract（参考訳）: 心電図(ECG)を用いた自動心血管疾患(CVD)検出におけるディープラーニングシステムの広範な適用を妨げる主な課題はラベル不足である。トレーニング済みのモデルをチューニングすることで、大規模なデータセットから下流の小さなデータセットに学習した知識を転送することで、この問題を軽減することができる。しかし、計算効率とCVDの検出性能のボトルネックは臨床応用を制限する。モデル計算効率を著しく犠牲にすることなく検出性能を向上させることは困難である。本稿では、ECGを用いた堅牢かつ計算効率の高いCVD検出のための計算効率の高い半教師付き学習パラダイム(FastECG)を提案する。これは、限られた監督と高い計算効率で、下流データセットに事前訓練されたモデルの堅牢な適応を可能にする。第一に、事前学習重量のロバストかつ高速な低ランク適応を実現するためにランダムデアクティベーション技術を開発した。次に,事前訓練した重みの更新行列に対する最適なランクを決定するために,ワンショットのランク割り当てモジュールを提案する。最後に、ラベル付きおよびラベルなしデータを高い計算効率で活用することにより、モデル性能を向上させるために、軽量な半教師付き学習パイプラインを導入する。 4つのダウンストリームECGデータセットに対する大規模な実験により、FastECGはマルチラベルCVD検出における最先端メソッドよりも優れるだけでなく、GPUフットプリント、トレーニング時間、パラメータストレージスペースも少ないことが示されている。このように、このパラダイムは、限られた監督下で訓練済みモデルの臨床応用において、高い計算効率と堅牢な検出性能を達成するための効果的なソリューションを提供する。

関連論文リスト

SPEED: Scalable Preprocessing of EEG Data for Self-Supervised Learning [2.705542761685457]
自己教師付き学習に最適化されたPythonベースのEEG前処理パイプラインを提案する。この最適化は、自己教師付きトレーニングを安定化し、下流タスクのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-08-15T10:15:01Z)
An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
論文参考訳（メタデータ） (2024-07-16T08:21:54Z)
PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文参考訳（メタデータ） (2023-10-18T02:59:57Z)
BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOT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） (2023-06-08T20:30:55Z)
Efficient human-in-loop deep learning model training with iterative refinement and statistical result validation [0.0]
本稿では,超音波イメージング機械学習パイプラインのデータクリーニングに必要なセグメンテーションを作成する方法を紹介する。本研究では、自動生成したトレーニングデータと人間の視覚的チェックを高速に活用し、時間とコストを低く保ちながら、モデルの精度を向上させる4段階の手法を提案する。本手法は、静的PHIを含む背景データを除去し、心臓超音波セグメンテーションタスクで実演する。
論文参考訳（メタデータ） (2023-04-03T13:56:01Z)
Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文参考訳（メタデータ） (2022-08-23T14:21:16Z)
Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文参考訳（メタデータ） (2022-03-23T06:24:31Z)
Knowledge Distillation as Efficient Pre-training: Faster Convergence, Higher Data-efficiency, and Better Transferability [53.27240222619834]
効率的な事前学習としての知識蒸留は、学習した特徴表現を学習済みモデルから将来の下流タスクのための新しい学生モデルに効率的に転送することを目的としている。提案手法は,3つの下流タスクにおける教師付き事前学習タスクと,10倍少ないデータと5倍少ない事前学習時間を必要とする9つの下流データセットとを比較検討する。
論文参考訳（メタデータ） (2022-03-10T06:23:41Z)
Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文参考訳（メタデータ） (2021-08-26T14:01:04Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。