論文の概要: CUDLE: Learning Under Label Scarcity to Detect Cannabis Use in Uncontrolled Environments
- arxiv url: http://arxiv.org/abs/2410.03211v1
- Date: Fri, 4 Oct 2024 07:57:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 02:54:39.823335
- Title: CUDLE: Learning Under Label Scarcity to Detect Cannabis Use in Uncontrolled Environments
- Title(参考訳): CUDLE:未管理環境における大麻検出のためのラベルスカルシティ下での学習
- Authors: Reza Rahimi Azghan, Nicholas C. Glodosky, Ramesh Kumar Sah, Carrie Cuttler, Ryan McLaughlin, Michael J. Cleveland, Hassan Ghasemzadeh,
- Abstract要約: CUDLE(Cannabis Use Detection with Label efficiency)は,実世界のウェアラブルセンサデータを用いて,自己教師付き学習を活用する新しいフレームワークである。
CUDLEは、対照的な学習フレームワークを通じて、センサ由来のデータを使用して大麻の消費モーメントを特定する。
分析の結果,CUDLEの精度は73.4%,教師付きアプローチでは71.1%,ラベル数が減少するにつれてパフォーマンスギャップが拡大していることがわかった。
- 参考スコア(独自算出の注目度): 5.571062160656525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wearable sensor systems have demonstrated a great potential for real-time, objective monitoring of physiological health to support behavioral interventions. However, obtaining accurate labels in free-living environments remains difficult due to limited human supervision and the reliance on self-labeling by patients, making data collection and supervised learning particularly challenging. To address this issue, we introduce CUDLE (Cannabis Use Detection with Label Efficiency), a novel framework that leverages self-supervised learning with real-world wearable sensor data to tackle a pressing healthcare challenge: the automatic detection of cannabis consumption in free-living environments. CUDLE identifies cannabis consumption moments using sensor-derived data through a contrastive learning framework. It first learns robust representations via a self-supervised pretext task with data augmentation. These representations are then fine-tuned in a downstream task with a shallow classifier, enabling CUDLE to outperform traditional supervised methods, especially with limited labeled data. To evaluate our approach, we conducted a clinical study with 20 cannabis users, collecting over 500 hours of wearable sensor data alongside user-reported cannabis use moments through EMA (Ecological Momentary Assessment) methods. Our extensive analysis using the collected data shows that CUDLE achieves a higher accuracy of 73.4%, compared to 71.1% for the supervised approach, with the performance gap widening as the number of labels decreases. Notably, CUDLE not only surpasses the supervised model while using 75% less labels, but also reaches peak performance with far fewer subjects.
- Abstract(参考訳): ウェアラブルセンサーシステムは、行動介入を支援するために生理的健康をリアルタイムで客観的に監視する大きな可能性を実証している。
しかし、人間の監督が限られており、患者による自己ラベル化に依存しているため、生活自由環境で正確なラベルを取得することは依然として困難であり、データ収集や教師付き学習は特に困難である。
この問題に対処するために、我々はCUDLE(Cannabis Use Detection with Label efficiency)を紹介した。これは、現実のウェアラブルセンサーデータによる自己教師型学習を活用して、医療的課題に対処する新しいフレームワークである。
CUDLEは、対照的な学習フレームワークを通じて、センサ由来のデータを使用して大麻の消費モーメントを特定する。
まず、データ拡張を伴う自己教師付きプレテキストタスクを通じて、堅牢な表現を学習する。
これらの表現は、浅い分類器で下流タスクで微調整され、CUDLEは従来の教師付きメソッド、特にラベル付きデータよりも優れている。
アプローチを評価するため,大麻利用者20名を対象に,EMA(Ecological Momentary Assessment)手法を用いて,利用者が報告した大麻使用モーメントと合わせて500時間以上のウェアラブルセンサデータを収集した。
収集したデータを用いて広範囲に分析したところ,CUDLEの精度は73.4%,教師付きアプローチでは71.1%,ラベル数が減少するにつれてパフォーマンスギャップが拡大していることがわかった。
特に、CUDLEは、75%少ないラベルを使用しながら教師付きモデルを上回るだけでなく、はるかに少ない被験者でピーク性能に達する。
関連論文リスト
- Wearable data from subjects playing Super Mario, sitting university
exams, or performing physical exercise help detect acute mood episodes via
self-supervised learning [2.8410265137064106]
ムード障害(英: Mood disorders, MDs)は、世界の疾病の重荷の主要な決定要因である。
自己教師付き学習(SSL)の最近の進歩は、未学習のデータを活用して事前訓練中に表現を学習し、その後、教師付きタスクに利用している。
SSLは、私たちの新しいE4-tailored Transformerアーキテクチャ(E4mer)または古典的なベースラインXGBoostを使用して、完全に教師付きパイプラインを確実に上回ることを示す。
論文 参考訳(メタデータ) (2023-11-07T18:59:14Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳(メタデータ) (2023-06-27T02:54:07Z) - Video object detection for privacy-preserving patient monitoring in
intensive care [0.0]
ビデオフレームの時間的継承における情報を活用する新しい手法を提案する。
我々のメソッドは標準のYOLOv5ベースラインモデルを+1.7%mAP@.5で上回り、プロプライエタリなデータセットで10倍以上高速にトレーニングします。
論文 参考訳(メタデータ) (2023-06-26T11:52:22Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳(メタデータ) (2022-05-10T15:39:11Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for
Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。
我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。
ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文 参考訳(メタデータ) (2021-01-02T09:04:14Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳(メタデータ) (2020-11-18T23:21:34Z) - Learning Generalizable Physiological Representations from Large-scale
Wearable Data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。
本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T17:56:03Z) - Proximity-Based Active Learning on Streaming Data: A Personalized Eating
Moment Recognition [17.961752949636306]
本稿では,身近な身近な身近な行動認識モデルである,ストリーミングデータに基づくプロクシミティベースのアクティブラーニングを提案する。
制御および制御されていない設定の両方で収集されたデータから、PLASのFスコアは10から60のクエリの予算に対して22%から39%の範囲であることが示された。
論文 参考訳(メタデータ) (2020-03-29T18:17:29Z)
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。