論文の概要: DenseReviewer: A Screening Prioritisation Tool for Systematic Review based on Dense Retrieval

• arxiv url: http://arxiv.org/abs/2502.03400v1
• Date: Wed, 05 Feb 2025 17:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:26:23.556127
• Title: DenseReviewer: A Screening Prioritisation Tool for Systematic Review based on Dense Retrieval
• Title（参考訳）: DenseReviewer:Dense Retrievalに基づくシステムレビューのためのスクリーニング優先ツール
• Authors: Xinyu Mao, Teerapong Leelanupab, Harrisen Scells, Guido Zuccon,
• Abstract要約: 関連する研究を優先順位付けすることで、下流の体系的なレビュー作成タスクを早期に開始し、時間を節約できる。 提案手法は,従来の能動的学習法よりも有効性と効率性に優れていた。 ツールの設計を説明し、スクリーニングをどのように役立つかを示す。
• 参考スコア（独自算出の注目度）: 26.324382303173135
• License:
• Abstract: Screening is a time-consuming and labour-intensive yet required task for medical systematic reviews, as tens of thousands of studies often need to be screened. Prioritising relevant studies to be screened allows downstream systematic review creation tasks to start earlier and save time. In previous work, we developed a dense retrieval method to prioritise relevant studies with reviewer feedback during the title and abstract screening stage. Our method outperforms previous active learning methods in both effectiveness and efficiency. In this demo, we extend this prior work by creating (1) a web-based screening tool that enables end-users to screen studies exploiting state-of-the-art methods and (2) a Python library that integrates models and feedback mechanisms and allows researchers to develop and demonstrate new active learning methods. We describe the tool's design and showcase how it can aid screening. The tool is available at https://densereviewer.ielab.io. The source code is also open sourced at https://github.com/ielab/densereviewer.
• Abstract（参考訳）: スクリーニングは時間を要するが、医療体系的なレビューには労働集約的な作業である。 関連する研究を優先順位付けすることで、下流の体系的なレビュー作成タスクを早期に開始し、時間を節約できる。 先行研究において,本論文のタイトルと抽象的なスクリーニング段階におけるレビュアーからのフィードバックを優先して,関連する研究を優先する高密度検索手法を開発した。 提案手法は,従来の能動的学習法よりも有効性と効率性に優れていた。 このデモでは、(1)エンドユーザーが最先端の手法を利用した研究をスクリーニングできるWebベースのスクリーニングツール、(2)モデルとフィードバックメカニズムを統合し、研究者が新しいアクティブな学習方法を開発、実証できるPythonライブラリを作成することで、従来の作業を拡張した。 ツールの設計を説明し、スクリーニングをどのように役立つかを示す。 このツールはhttps://densereviewer.ielab.io.comで入手できる。 ソースコードはhttps://github.com/ielab/densereviewer.comで公開されている。

関連論文リスト

• Dense Retrieval with Continuous Explicit Feedback for Systematic Review Screening Prioritisation [28.80089773616623]
  体系的なレビューにおいて優先順位付けをスクリーニングする目的は、関連文書を高いリコールで識別し、レビューの早い段階でランク付けすることである。 近年の研究では、ニューラルモデルがこのタスクに有意なポテンシャルがあることが示されているが、それらの時間を要する微調整と推論は、優先順位付けのスクリーニングに広く使用されることを妨げている。 ニューラルモデルに引き続き依存する代替アプローチを提案するが、高密度表現と関連フィードバックを活用してスクリーニングの優先順位付けを強化する。
  論文  参考訳（メタデータ） (2024-06-30T09:25:42Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• CRUISE-Screening: Living Literature Reviews Toolbox [8.292338880619061]
  CRUISE-Screeningは、生物文学レビューを行うためのウェブベースのアプリケーションである。 APIを通じて複数の検索エンジンに接続しており、定期的に検索結果を更新することができる。
  論文  参考訳（メタデータ） (2023-09-04T15:58:43Z)
• An Empirical Study of End-to-End Temporal Action Detection [82.64373812690127]
  時間的行動検出(TAD)はビデオ理解において重要な課題である。 エンド・ツー・エンドの学習よりも、既存のほとんどの手法では、ヘッドオンリーの学習パラダイムを採用しています。 頭のみの学習よりもエンド・ツー・エンドの学習の利点を検証し、最大11%のパフォーマンス向上を観察する。
  論文  参考訳（メタデータ） (2022-04-06T16:46:30Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• Autonomous Learning of Features for Control: Experiments with Embodied and Situated Agents [0.0]
  本稿では,ポリシネットワークのトレーニング中に特徴抽出モジュールのトレーニングを継続する手法を提案する。 シーケンス・ツー・シークエンス・ラーニング(Sequence-to-Sequence Learning)は,従来の研究方法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-15T14:34:42Z)
• Open Source Software for Efficient and Transparent Reviews [0.11179881480027788]
  ASReviewはオープンソースの機械学習支援パイプラインで、アクティブラーニングを適用している。 シミュレーションにより,ASReviewは手作業によるレビューよりもはるかに効率的なレビューを実現することができることを示す。
  論文  参考訳（メタデータ） (2020-06-22T11:57:10Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。