論文の概要: Temporal fine-tuning for early risk detection

• arxiv url: http://arxiv.org/abs/2505.11280v1
• Date: Fri, 16 May 2025 14:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.196076
• Title: Temporal fine-tuning for early risk detection
• Title（参考訳）: 早期リスク検出のための時間的微調整
• Authors: Horacio Thompson, Esaú Villatoro-Tello, Manuel Montes-y-Gómez, Marcelo Errecalde,
• Abstract要約: Web上の早期リスク検出(ERD)は、社会的および健康的な問題に直面しているユーザを素早く特定することを目的としている。 標準的な分類基準は十分ではなく、正確さと遅延を明示的に考慮する特定の指標に頼っている。 本稿では,時間を明示的に組み込むことで,トランスフォーマーモデルに基づくチューニングを可能にする,時間的微調整という,まったく異なる戦略を提案する。
• 参考スコア（独自算出の注目度）: 3.8486074790756506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early Risk Detection (ERD) on the Web aims to identify promptly users facing social and health issues. Users are analyzed post-by-post, and it is necessary to guarantee correct and quick answers, which is particularly challenging in critical scenarios. ERD involves optimizing classification precision and minimizing detection delay. Standard classification metrics may not suffice, resorting to specific metrics such as ERDE(theta) that explicitly consider precision and delay. The current research focuses on applying a multi-objective approach, prioritizing classification performance and establishing a separate criterion for decision time. In this work, we propose a completely different strategy, temporal fine-tuning, which allows tuning transformer-based models by explicitly incorporating time within the learning process. Our method allows us to analyze complete user post histories, tune models considering different contexts, and evaluate training performance using temporal metrics. We evaluated our proposal in the depression and eating disorders tasks for the Spanish language, achieving competitive results compared to the best models of MentalRiskES 2023. We found that temporal fine-tuning optimized decisions considering context and time progress. In this way, by properly taking advantage of the power of transformers, it is possible to address ERD by combining precision and speed as a single objective.
• Abstract（参考訳）: Web上の早期リスク検出(ERD)は、社会的および健康的な問題に直面しているユーザを素早く特定することを目的としている。 ユーザはポストバイポストで分析されるため、特に重要なシナリオでは、正確かつ迅速な回答を保証する必要があります。 ERDは分類精度の最適化と検出遅延の最小化を含む。 標準的な分類基準は十分ではなく、正確さと遅延を明示的に考慮するERDE(theta)のような特定の指標に頼っている。 現在の研究は、多目的アプローチの適用、分類性能の優先順位付け、決定時間の個別基準の設定に重点を置いている。 本研究では,学習プロセスに時間を明示的に組み込むことで,トランスフォーマーモデルに基づくチューニングを可能にする,時間的微調整という,まったく異なる戦略を提案する。 提案手法は,ユーザの投稿履歴の完全な分析,異なるコンテキストを考慮したモデルチューニング,時間的指標を用いたトレーニング性能の評価を可能にする。 スペインにおける抑うつ・摂食障害の課題について検討し,MentalRiskES 2023のベストモデルと比較して,競争力のある結果を得た。 時間的微調整が文脈や時間経過を考慮した決定を最適化することを発見した。 このように、変圧器のパワーを適切に活用することにより、精度と速度を1つの目的として組み合わせることで、EDRに対処することが可能となる。

関連論文リスト

• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• A Time-Aware Approach to Early Detection of Anorexia: UNSL at eRisk 2024 [0.9208007322096532]
  eRisk研究所は、Web上の早期リスク検出に関連する問題に対処することを目的としている。 研究グループは,CPI+DMCアプローチを定義し,両目標を独立に解決し,タイムアウェアアプローチによってタスク2を解決した。 ERDE50測定値とランキングベース測定値で優れた結果を得た結果,ERDE50の問題を解決する上での一貫性を実証した。
  論文  参考訳（メタデータ） (2024-10-23T15:30:37Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• 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)
• Adaptive scheduling for adaptive sampling in POS taggers construction [0.27624021966289597]
  音声タグ作成における機械学習の新たな手法として適応的サンプリングのための適応的スケジューリングを提案する。 本研究では,関数モデルとともに幾何学的に学習曲線の形状を分析し,任意のタイミングで学習曲線を増減する。 また,評価の一時的なインフレーションを受けるトレーニングデータベースの領域に注意を払い,サンプリングの堅牢性も向上する。
  論文  参考訳（メタデータ） (2024-02-04T15:02:17Z)
• Evolutionary Optimization of High-Coverage Budgeted Classifiers [1.7767466724342065]
  予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。 本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。 アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
  論文  参考訳（メタデータ） (2021-10-25T16:03:07Z)
• Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via Online High-Confidence Change-Point Detection [7.685002911021767]
  非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。 これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。 i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
  論文  参考訳（メタデータ） (2021-05-20T01:57:52Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)
• Early Classification of Time Series. Cost-based Optimization Criterion and Algorithms [0.0]
  本稿では,誤分類のコストと決定を遅らせるコストの両方を考慮して,新たな最適化基準を提案する。 我々は、待ち時間とバランスを取りながら、将来期待される情報獲得を予想する非ミオピックアルゴリズムのファミリーを考案した。
  論文  参考訳（メタデータ） (2020-05-20T10:08:30Z)

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。