論文の概要: Hybrid Efficient Unsupervised Anomaly Detection for Early Pandemic Case Identification

• arxiv url: http://arxiv.org/abs/2408.05347v1
• Date: Fri, 9 Aug 2024 21:31:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 19:21:55.297014
• Title: Hybrid Efficient Unsupervised Anomaly Detection for Early Pandemic Case Identification
• Title（参考訳）: 早期パンデミック症例同定のためのハイブリッド非教師付き異常検出法
• Authors: Ghazal Ghajari, Mithun Kumar PK, Fathi Amsaad,
• Abstract要約: 教師なし異常検出は、ラベル付きトレーニング例を必要とせずに、データの異常パターンを特定するための有望なテクニックである。 本研究は,距離と密度を結合した異常検出のための新しいハイブリッド手法を提案する。 新型コロナウイルスの感染拡大に伴うパンデミック(パンデミック)の状況に特に関係している。
• 参考スコア（独自算出の注目度）: 0.26217304977339473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection is a promising technique for identifying unusual patterns in data without the need for labeled training examples. This approach is particularly valuable for early case detection in epidemic management, especially when early-stage data are scarce. This research introduces a novel hybrid method for anomaly detection that combines distance and density measures, enhancing its applicability across various infectious diseases. Our method is especially relevant in pandemic situations, as demonstrated during the COVID-19 crisis, where traditional supervised classification methods fall short due to limited data. The efficacy of our method is evaluated using COVID-19 chest X-ray data, where it significantly outperforms established unsupervised techniques. It achieves an average AUC of 77.43%, surpassing the AUC of Isolation Forest at 73.66% and KNN at 52.93%. These results highlight the potential of our hybrid anomaly detection method to improve early detection capabilities in diverse epidemic scenarios, thereby facilitating more effective and timely responses.
• Abstract（参考訳）: 教師なし異常検出は、ラベル付きトレーニング例を必要とせずに、データの異常パターンを特定するための有望なテクニックである。 この手法は、特に早期データが少ない場合、疫病管理における早期症例検出に特に有用である。 本研究は, 距離と密度の計測を併用し, 各種感染症に対する適用性を向上する, 異常検出のための新しいハイブリッド手法を提案する。 新型コロナウイルスの感染拡大に伴うパンデミック(パンデミック)の状況に特に関係している。 本手法の有効性は,新型コロナウイルスの胸部X線データを用いて評価した。 AUCは77.43%、AUCは73.66%、KNNは52.93%である。 これらの結果は,多様な流行シナリオにおける早期検出能力を向上し,より効果的かつタイムリーな応答を促進するために,我々のハイブリッド異常検出法の可能性を強調した。

関連論文リスト

• Cardiovascular Disease Detection By Leveraging Semi-Supervised Learning [0.815557531820863]
  心臓血管疾患(CVD)は、世界規模で死の主な原因として存続する。 CVD検出のための従来の教師付き学習アプローチは、大規模ラベル付きデータセットに大きく依存している。 本稿では,ラベル付きサンプルが少ない場合にCVD検出の効率と精度を高めるために,半教師付き学習モデルを用いる。
  論文  参考訳（メタデータ） (2024-12-13T21:15:38Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Alzheimer's disease detection in PSG signals [2.8691549050152965]
  アルツハイマー病(AD)と睡眠障害は密接に関連しており、睡眠パターンの混乱は早期ADの発症に先行することが多い。 本研究は、睡眠関連脳波(EEG)信号によるADの早期検出の可能性について検討した。 我々の主な焦点は、データ可用性に制限があるため、脳波信号の分類のための半教師付きディープラーニング技術を探ることである。
  論文  参考訳（メタデータ） (2024-04-04T15:56:23Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Uncertainty-Aware Semi-supervised Method using Large Unlabelled and Limited Labeled COVID-19 Data [14.530328267425638]
  新型コロナウイルス自動検出のための限定ラベルデータ(SCLLD)を用いた半監視分類を提案する。 提案システムは,近江病院から収集した1万個のCTスキャンを用いて訓練する。 本手法は,ラベル付きトレーニングデータが少ない場合に,Convolutional Neural Network (CNN) の教師付きトレーニングを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-02-12T08:20:20Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)
• Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art [0.0]
  時系列データの異常検出は、長い間重要な研究分野であった。 近年,時系列の異常を検出する機械学習アルゴリズムが増えている。 研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
  論文  参考訳（メタデータ） (2020-04-01T13:22:34Z)

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。