論文の概要: Enhancing Health Mention Classification Performance: A Study on Advancements in Parameter Efficient Tuning
- arxiv url: http://arxiv.org/abs/2504.21685v1
- Date: Wed, 30 Apr 2025 14:21:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 18:16:42.824573
- Title: Enhancing Health Mention Classification Performance: A Study on Advancements in Parameter Efficient Tuning
- Title（参考訳）: 健康習慣分類性能の向上:パラメーター効率向上に関する研究
- Authors: Reem Abdel-Salam, Mary Adewunmi,
- Abstract要約: HMC(Health Mention Classification)は、ソーシャルメディアの投稿をリアルタイムのトラッキングや公衆衛生モニタリングに活用する上で重要な役割を担っている。
我々は、バイオメディカル自然言語法(NLP)のパラメータを改良した従来の微調整により、より明確な言及が達成できると主張している。
本研究では,音声タグ情報の利用,PEFT技術の改良,その組み合わせなど,さまざまな手法について検討する。
- 参考スコア（独自算出の注目度）: 4.604003661048267
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Health Mention Classification (HMC) plays a critical role in leveraging social media posts for real-time tracking and public health monitoring. Nevertheless, the process of HMC presents significant challenges due to its intricate nature, primarily stemming from the contextual aspects of health mentions, such as figurative language and descriptive terminology, rather than explicitly reflecting a personal ailment. To address this problem, we argue that clearer mentions can be achieved through conventional fine-tuning with enhanced parameters of biomedical natural language methods (NLP). In this study, we explore different techniques such as the utilisation of part-of-speech (POS) tagger information, improving on PEFT techniques, and different combinations thereof. Extensive experiments are conducted on three widely used datasets: RHDM, PHM, and Illness. The results incorporated POS tagger information, and leveraging PEFT techniques significantly improves performance in terms of F1-score compared to state-of-the-art methods across all three datasets by utilising smaller models and efficient training. Furthermore, the findings highlight the effectiveness of incorporating POS tagger information and leveraging PEFT techniques for HMC. In conclusion, the proposed methodology presents a potentially effective approach to accurately classifying health mentions in social media posts while optimising the model size and training efficiency.
- Abstract（参考訳）: HMC(Health Mention Classification)は、ソーシャルメディアの投稿をリアルタイムのトラッキングや公衆衛生モニタリングに活用する上で重要な役割を担っている。
しかしながら、HMCのプロセスは、その複雑な性質により、主に、個人の病気を明示的に反映するのではなく、具体的言語や記述的用語のような健康記述の文脈的側面から生じる重要な課題を提示する。
この問題に対処するために,バイオメディカル自然言語法 (NLP) のパラメータを改良した従来型の微調整により,より明確な言及が達成可能であることを論じる。
本研究では,音声タグ情報の利用,PEFT技術の改良,その組み合わせなど,さまざまな手法について検討する。
大規模な実験は、RHDM、PHM、Illnessの3つの広く使われているデータセットで行われている。
その結果、POSタグ情報を導入し、PEFT技術を活用することにより、より小さなモデルと効率的なトレーニングを生かして、3つのデータセット全体にわたる最先端の手法と比較して、F1スコアにおけるパフォーマンスが大幅に向上した。
さらに,本研究は,POSタグ情報の導入とPEFT技術を活用したHMCの有効性を強調した。
結論として,提案手法は,モデルサイズとトレーニング効率を最適化しつつ,ソーシャルメディア投稿中の健康記述を正確に分類する潜在的に効果的なアプローチを示す。
関連論文リスト
- A Novel Hybrid Parameter-Efficient Fine-Tuning Approach for Hippocampus Segmentation and Alzheimer's Disease Diagnosis [12.775565417928895]
本稿では,ハイブリッド並列およびシリアルアーキテクチャを用いたHyPSと呼ばれる,パラメータ効率の高いファインチューニング手法を提案する。
HyPSはモデルパラメータの最小限のサブセットを更新し、事前訓練されたモデルの元の知識トラクチャを保持する。
アルツハイマー病を認知正常(CN)個体と区別することで、HyPSはそれぞれ83.78%と64.29%の分類精度を達成した。
論文 参考訳（メタデータ） (2024-09-02T00:52:00Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳（メタデータ） (2024-06-28T15:01:23Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Health-LLM: Large Language Models for Health Prediction via Wearable Sensor Data [43.48422400822597]
大規模言語モデル(LLM)は多くの自然言語処理が可能であるが、完璧には程遠い。
本稿では、文脈情報に基づいて、健康に関する推測を行うLLMの能力について検討する。
本研究は,4つの公衆衛生データセットを用いた12種類のLCMの包括的評価と微調整技術について述べる。
論文 参考訳（メタデータ） (2024-01-12T19:40:11Z) - TriDeNT: Triple Deep Network Training for Privileged Knowledge Distillation in Histopathology [3.2157163136267948]
提案するTriDeNTは,推論中に利用できない特権データを利用した,パフォーマンス向上のための自己教師型手法である。
本研究では, 空間化学, 空間転写学, 専門的核アノテーションなど, 様々なデータに対して本手法の有効性を実証する。
あらゆる設定において、TriDeNTは、ダウンストリームタスクにおける他の最先端メソッドよりも優れており、最大101%の改善が観察されている。
論文 参考訳（メタデータ） (2023-12-04T18:43:45Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Incorporating Emotions into Health Mention Classification Task on Social
Media [70.23889100356091]
情緒的特徴を取り入れた健康言及分類のための枠組みを提案する。
我々は,ソーシャルメディアプラットフォームによる5つのHMC関連データセットに対するアプローチを評価した。
以上の結果から,感情的な知識を取り入れたHMCモデルが有効な選択肢であることが示唆された。
論文 参考訳（メタデータ） (2022-12-09T18:38:41Z) - No Pairs Left Behind: Improving Metric Learning with Regularized Triplet
Objective [19.32706951298244]
サンプルマイニングやオーバーヘッドコストを伴わずにメートル法学習を改善する三重項目的関数の新たな定式化を提案する。
提案手法は,従来の3重項対象の定式化によって改善されていることを示す。
論文 参考訳（メタデータ） (2022-10-18T00:56:01Z) - Automatic airway segmentation from Computed Tomography using robust and
efficient 3-D convolutional neural networks [0.0]
胸部CTにおける全自動およびエンドツーエンド最適化気道分割法を提案する。
シンプルで低メモリの3D U-Netをバックボーンとして使用し、大規模な3Dイメージパッチを処理できます。
本手法は誤検出の少ない高度に完全な気道木を抽出できることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:21:02Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z)
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。