Fugu-MT 論文翻訳(概要): Cough Classification using Few-Shot Learning

論文の概要: Cough Classification using Few-Shot Learning

arxiv url: http://arxiv.org/abs/2509.09515v1
Date: Thu, 11 Sep 2025 14:56:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-12 16:52:24.43179
Title: Cough Classification using Few-Shot Learning
Title（参考訳）: Few-Shot Learning を用いたカフ分類
Authors: Yoga Disha Sendhil Kumar, Manas V Shetty, Sudip Vhaduri,
Abstract要約: 我々は,限定ラベル付きデータの課題に対処するために,有声音のスペクトル表現を用いたプロトタイプネットワークを利用する。本研究は,従来の深層学習手法に匹敵する性能をモデルで実現できるかを評価する。実験結果から,数発の学習モデルが競合精度を達成できることが示唆された。
参考スコア（独自算出の注目度）: 0.7136933021609079
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper investigates the effectiveness of few-shot learning for respiratory sound classification, focusing on coughbased detection of COVID-19, Flu, and healthy conditions. We leverage Prototypical Networks with spectrogram representations of cough sounds to address the challenge of limited labeled data. Our study evaluates whether few-shot learning can enable models to achieve performance comparable to traditional deep learning approaches while using significantly fewer training samples. Additionally, we compare multi-class and binary classification models to assess whether multi-class models can perform comparably to their binary counterparts. Experimental findings show that few-shot learning models can achieve competitive accuracy. Our model attains 74.87% accuracy in multi-class classification with only 15 support examples per class, while binary classification achieves over 70% accuracy across all class pairs. Class-wise analysis reveals Flu as the most distinguishable class, and Healthy as the most challenging. Statistical tests (paired t-test p = 0.149, Wilcoxon p = 0.125) indicate no significant performance difference between binary and multiclass models, supporting the viability of multi-class classification in this setting. These results highlight the feasibility of applying few-shot learning in medical diagnostics, particularly when large labeled datasets are unavailable.
Abstract（参考訳）: 本研究は, 新型コロナウイルス, インフルエンザ, 健康状態の検出に焦点をあて, 呼吸音分類における数発学習の有効性について検討する。我々は,限定ラベル付きデータの課題に対処するために,有声音のスペクトル表現を用いたプロトタイプネットワークを利用する。本研究は,比較的少ないトレーニングサンプルを用いて,従来のディープラーニング手法に匹敵する性能をモデルが達成できるかどうかを評価する。さらに、マルチクラス分類モデルとバイナリ分類モデルを比較し、マルチクラスモデルがバイナリモデルと同等に動作できるかを評価する。実験結果から,数発の学習モデルが競合精度を達成できることが示唆された。モデルでは,クラス毎に15例しかサポートしていないマルチクラス分類において74.87%の精度が得られ,バイナリ分類では全クラスペアで70%以上の精度が達成されている。クラスワイド分析は、Fluを最も区別可能なクラスとして、Healthyを最も難しいクラスとして明らかにしている。統計的テスト(p = 0.149、Wilcoxon p = 0.125)は、バイナリモデルとマルチクラスモデルの間に有意な性能差を示さず、この設定におけるマルチクラス分類の生存可能性を支持する。これらの結果は、特に大きなラベル付きデータセットが利用できない場合、医療診断に数発の学習を適用する可能性を強調している。

関連論文リスト

Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
論文参考訳（メタデータ） (2023-07-06T17:32:38Z)
Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
論文参考訳（メタデータ） (2022-07-03T16:06:04Z)
Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文参考訳（メタデータ） (2022-04-18T13:31:53Z)
SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。 2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文参考訳（メタデータ） (2022-02-11T15:19:36Z)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Multi-loss ensemble deep learning for chest X-ray classification [0.8594140167290096]
クラス不均衡は、異常サンプルの数が正常サンプルの数より少ない医療画像分類タスクでよく見られる。本稿では,DLモデルを訓練し,その性能を多クラス分類設定で解析する新しい損失関数を提案する。
論文参考訳（メタデータ） (2021-09-29T14:14:04Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文参考訳（メタデータ） (2020-08-06T05:52:59Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)
CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification [9.265557367859637]
畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
論文参考訳（メタデータ） (2020-04-25T05:48:14Z)

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。