論文の概要: Optimization of Transformer heart disease prediction model based on particle swarm optimization algorithm

• arxiv url: http://arxiv.org/abs/2412.02801v2
• Date: Sat, 07 Dec 2024 09:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 11:30:41.602763
• Title: Optimization of Transformer heart disease prediction model based on particle swarm optimization algorithm
• Title（参考訳）: 粒子群最適化アルゴリズムに基づくトランスフォーマー心疾患予測モデルの最適化
• Authors: Jingyuan Yi, Peiyang Yu, Tianyi Huang, Zeqiu Xu,
• Abstract要約: 本稿では,心疾患予測の精度を向上させるための改良型トランスフォーマーモデルを提案する。 まず、決定木、ランダムフォレスト、XGBoostという3つの主流機械学習分類アルゴリズムを使用します。 その結果、ランダム森林モデルは、92.2%の精度で心臓病の分類を予測するのに最高の性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Aiming at the latest particle swarm optimization algorithm, this paper proposes an improved Transformer model to improve the accuracy of heart disease prediction and provide a new algorithm idea. We first use three mainstream machine learning classification algorithms - decision tree, random forest and XGBoost, and then output the confusion matrix of these three models. The results showed that the random forest model had the best performance in predicting the classification of heart disease, with an accuracy of 92.2%. Then, we apply the Transformer model based on particle swarm optimization (PSO) algorithm to the same dataset for classification experiment. The results show that the classification accuracy of the model is as high as 96.5%, 4.3 percentage points higher than that of random forest, which verifies the effectiveness of PSO in optimizing Transformer model. From the above research, we can see that particle swarm optimization significantly improves Transformer performance in heart disease prediction. Improving the ability to predict heart disease is a global priority with benefits for all humankind. Accurate prediction can enhance public health, optimize medical resources, and reduce healthcare costs, leading to healthier populations and more productive societies worldwide. This advancement paves the way for more efficient health management and supports the foundation of a healthier, more resilient global community.
• Abstract（参考訳）: 本稿では,最新の粒子群最適化アルゴリズムに着目し,心疾患予測の精度を向上させるために改良されたトランスフォーマーモデルを提案し,新しいアルゴリズムのアイデアを提案する。 まず、決定木、ランダムフォレスト、XGBoostの3つの主流機械学習分類アルゴリズムを使用し、これらの3つのモデルの混乱行列を出力する。 その結果、ランダム森林モデルは、92.2%の精度で心臓病の分類を予測するのに最高の性能を示した。 次に, 粒子群最適化(PSO)アルゴリズムに基づくトランスフォーマーモデルを同一データセットに適用し, 分類実験を行った。 その結果,トランスフォーマーモデルの最適化におけるPSOの有効性を検証したランダム林の分類精度は96.5%,4.3ポイントであった。 以上の結果から,粒子群最適化は心疾患予測におけるトランスフォーマー性能を著しく向上させることが明らかとなった。 心臓病の予測能力の向上は、すべての人類に利益をもたらす世界的な優先事項である。 正確な予測は公衆衛生を強化し、医療資源を最適化し、医療費を削減し、より健康な人口とより生産的な社会に繋がる。 この進歩は、より効率的な健康管理の道を開き、より健康的で回復力のある世界社会の基盤を支える。

関連論文リスト

• PredFormer: Transformers Are Effective Spatial-Temporal Predictive Learners [65.93130697098658]
  本稿では、予測学習のための純粋なトランスフォーマーベースのフレームワークであるPredFormerを提案する。 PredFormerは、リカレントフリーでトランスフォーマーベースの設計で、シンプルかつ効率的である。 合成および実世界のデータセットに関する実験は、PredFormerが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-07T03:52:06Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• An Improved Grey Wolf Optimization Algorithm for Heart Disease Prediction [5.489867271342724]
  本稿では,適応曲線灰色のオオカミ最適化(ACGWO)アルゴリズムをニューラルネットワークのバックプロパゲーションに組み込むことにより,医用画像処理における課題に対するユニークな解決策を提案する。 本手法は他の10手法を超越し,86.8%の精度を達成し,臨床現場での効率的な心疾患予測の可能性を示した。
  論文  参考訳（メタデータ） (2024-01-22T03:07:24Z)
• Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection [0.32634122554913997]
  本研究は慢性疾患領域における予測分析の進歩に寄与する。 この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
  論文  参考訳（メタデータ） (2023-12-17T18:18:34Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Tumoral Angiogenic Optimizer: A new bio-inspired based metaheuristic [5.013833066304755]
  腫瘍血管新生過程において発生する血管内皮細胞の形態形成細胞運動に着想を得た新しいメタヒューリスティックを提案する。 提案アルゴリズムは, 実世界の問題 (カンチレバービーム設計, 圧力容器設計, テンション/圧縮ばね, 持続的浮揚可能資源) に適用される。
  論文  参考訳（メタデータ） (2023-09-12T03:51:53Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Ebola Optimization Search Algorithm (EOSA): A new metaheuristic algorithm based on the propagation model of Ebola virus disease [5.482532589225552]
  エボラウイルスとこの病気は、感染、隔離、入院、回復、死亡するサブ集団を中心に、人口をランダムに移動させる傾向がある。 ウイルスを媒介する病気の伝播効果により,新たなバイオインスパイアされた集団最適化アルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2021-06-02T18:41:56Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• AdamP: Slowing Down the Slowdown for Momentum Optimizers on Scale-invariant Weights [53.8489656709356]
  正規化技術は現代の深層学習の恩恵である。 しかし、運動量を導入することで、スケール不変の重みに対する効果的なステップサイズが急速に小さくなることがしばしば見過ごされる。 本稿では,この2つの材料の組み合わせが,有効ステップサイズと準最適モデル性能の早期劣化につながることを検証した。
  論文  参考訳（メタデータ） (2020-06-15T08:35:15Z)

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。