論文の概要: STORM: Strategic Orchestration of Modalities for Rare Event Classification
- arxiv url: http://arxiv.org/abs/2412.02805v1
- Date: Tue, 03 Dec 2024 20:17:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:08:34.840423
- Title: STORM: Strategic Orchestration of Modalities for Rare Event Classification
- Title(参考訳): STORM: 希少なイベント分類のためのモダリティの戦略的オーケストレーション
- Authors: Payal Kamboj, Ayan Banerjee, Sandeep K. S. Gupta,
- Abstract要約: 希少事象に対するモダリティ選択問題を解くために,エントロピーに基づくアルゴリズムを提案する。
モダリティの有用なサブセットを選択することで、私たちのアプローチはより効率的なAI駆動バイオメディカル分析の道を開いた。
- 参考スコア(独自算出の注目度): 5.691753509745111
- License:
- Abstract: In domains such as biomedical, expert insights are crucial for selecting the most informative modalities for artificial intelligence (AI) methodologies. However, using all available modalities poses challenges, particularly in determining the impact of each modality on performance and optimizing their combinations for accurate classification. Traditional approaches resort to manual trial and error methods, lacking systematic frameworks for discerning the most relevant modalities. Moreover, although multi-modal learning enables the integration of information from diverse sources, utilizing all available modalities is often impractical and unnecessary. To address this, we introduce an entropy-based algorithm STORM to solve the modality selection problem for rare event. This algorithm systematically evaluates the information content of individual modalities and their combinations, identifying the most discriminative features essential for rare class classification tasks. Through seizure onset zone detection case study, we demonstrate the efficacy of our algorithm in enhancing classification performance. By selecting useful subset of modalities, our approach paves the way for more efficient AI-driven biomedical analyses, thereby advancing disease diagnosis in clinical settings.
- Abstract(参考訳): バイオメディカルのような分野において、専門家の洞察は人工知能(AI)方法論の最も情報に富むモダリティを選択するのに不可欠である。
しかしながら、利用可能なすべてのモダリティの使用は、特に各モダリティがパフォーマンスに与える影響を判断し、それらの組み合わせを正確な分類に最適化する上で、課題となる。
従来の手法は手動の試行錯誤法に頼っており、最も関連するモダリティを識別するための体系的な枠組みが欠如している。
さらに、マルチモーダル学習は様々な情報源からの情報の統合を可能にするが、利用可能なすべてのモダリティを活用することは、しばしば非現実的で不要である。
そこで我々は,レアイベントのモダリティ選択問題を解決するために,エントロピーに基づくアルゴリズムSTORMを導入する。
このアルゴリズムは,個別のモダリティの情報内容とその組み合わせを体系的に評価し,希少なクラス分類タスクに欠かせない最も識別性の高い特徴を特定する。
本稿では,アセプションオンセットゾーン検出ケーススタディを通じて,分類性能向上のためのアルゴリズムの有効性を実証する。
提案手法は, モダリティの有用なサブセットを選択することにより, より効率的なAI駆動型バイオメディカル分析の道を開いた。
関連論文リスト
- Empirical Analysis of Nature-Inspired Algorithms for Autism Spectrum Disorder Detection Using 3D Video Dataset [5.5711773076846365]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、反復行動や社会的・コミュニケーションスキルの欠如を含む慢性神経発達障害の症状である。
本稿では,3次元歩行映像データセットからASDを検出する手法について検討した。
分類アルゴリズムと自然に着想を得たアルゴリズムの組み合わせを多種に分けて展開し,その分類精度を100%の精度で評価した。
論文 参考訳(メタデータ) (2025-01-02T11:24:06Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳(メタデータ) (2023-02-13T16:44:44Z) - Greedy Modality Selection via Approximate Submodular Maximization [19.22947539760366]
マルチモーダル学習は、異質な情報ソースを融合することを目的としたマルチモーダルデータからの学習を検討する。
メモリ制約のため、利用可能なすべてのモダリティを活用することが常に可能であるとは限らない。
本研究では,ある計算制約の下で最も情報的かつ補完的なモダリティを効率的に選択することを目的としたモダリティ選択について検討する。
論文 参考訳(メタデータ) (2022-10-22T22:07:27Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:27:49Z) - How should I compute my candidates? A taxonomy and classification of diagnosis computation algorithms [4.8951183832371]
本研究は,標準化された評価,分類,比較を可能にする診断計算のための分類法を提案する。
i)研究者や実践者が利用可能な診断技術の多様な風景を印象づけること、(ii)アプローチの長所と短所だけでなく、主要な特徴を検索できるようにすること、(iii)その特徴に基づいたテクニックの容易かつ明確な比較を可能にすること、(iv)特定の問題に適用するための「正しい」アルゴリズムの選択を促進することである。
論文 参考訳(メタデータ) (2022-07-26T00:17:45Z) - Adaptive Learning for the Resource-Constrained Classification Problem [14.19197444541245]
リソース制約された分類タスクは、病気診断のためのテストの割り当てなど、現実世界のアプリケーションで一般的である。
資源制約と協調学習を反復的に微調整による誤分類コストによって考慮した適応学習手法を設計する。
資源制約のある分類問題に対処する手法のレパートリーとして,適応学習アプローチを重要視する。
論文 参考訳(メタデータ) (2022-07-19T11:00:33Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - ASMFS: Adaptive-Similarity-based Multi-modality Feature Selection for
Classification of Alzheimer's Disease [37.34130395221716]
特徴選択と局所類似性学習を同時に行う新しい多モード特徴選択法を提案する。
本手法の有効性は,アルツハイマー病神経画像イニシアチブデータセットを用いて実験的に検証した。
論文 参考訳(メタデータ) (2020-10-16T06:53:27Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-22T14:32:04Z)
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。