論文の概要: Good Practice Guide for quantifying uncertainties for machine learning models applied to photoplethysmography signals
- arxiv url: http://arxiv.org/abs/2607.19999v1
- Date: Wed, 22 Jul 2026 10:32:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.057443
- Title: Good Practice Guide for quantifying uncertainties for machine learning models applied to photoplethysmography signals
- Title（参考訳）: フォトプレソグラフィー信号に適用した機械学習モデルの不確かさの定量化のためのグッドプラクティスガイド
- Abstract要約: このグッド・プラクティス・ガイドは、QUMPHYプロジェクト(フォトプレソグラフィー・シグナルに適用された機械学習モデルの不確実性定量化)で実施した成果を提示する。
ウェアラブルデバイスからの光胸波信号を用いた問題に対する機械学習と不確実性定量化の両方を入力として検討する。
機械学習モデルの種類や、回帰タスクと分類タスクの両方に適用した場合のモデルの違いについて、高度なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This Good Practice Guide presents work done in the QUMPHY project (Uncertainty quantification for machine learning models applied to photoplethysmography signals) that considered both machine learning and uncertainty quantification for problems which used photoplethysmography (PPG) signals from wearable devices as input. It provides high-level guidance on what types of machine learning model might be used and how different models compare when applied to both regression and classification tasks. It provides guidance on the implementation of different methods for uncertainty quantification, covering both model-dependent and model-independent techniques, and on the validation of the results provided by those methods. It also describes six benchmark problems together with pointers to different benchmark datasets for each problem. Software is described that can assist practitioners in implementing the methods described herein and there is a brief consideration of ethical issues. It concludes with a summary and recommendations.
- Abstract（参考訳）: このグッドプラクティスガイドは、QUMPHYプロジェクト(フォトプレソグラフィー信号に適用された機械学習モデルの不確実性定量化)において、ウェアラブルデバイスからの光プレソグラフィ(PPG)信号を入力として使用する問題に対して、機械学習と不確実性定量化の両方を考慮した成果を提示する。
機械学習モデルの種類や、回帰タスクと分類タスクの両方に適用した場合のモデルの違いについて、高度なガイダンスを提供する。
これは、不確実性定量化のための異なる方法の実装、モデルに依存しない技術とモデルに依存しない技術の両方、およびそれらの方法によって提供される結果の検証に関するガイダンスを提供する。
また、各問題に対する異なるベンチマークデータセットへのポインタとともに、6つのベンチマーク問題を記述している。
ここで述べられている手法の実装を実践する上で,実践者を支援するソフトウェアが紹介され,倫理的問題に関する簡単な考察がなされている。
要約とレコメンデーションで締めくくっている。
関連論文リスト
- Absolute Evaluation Measures for Machine Learning: A Survey [0.0]
この調査は、機械学習における絶対評価指標の概要を提供する。
学習のタイプによって構成され、クラスタリング、回帰、ランキングのメトリクスをカバーする。
モデルの適切なメトリクスを選択するために必要なツールを実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-07-04T08:53:08Z) - Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - Selecting Interpretability Techniques for Healthcare Machine Learning models [69.65384453064829]
医療では、いくつかの意思決定シナリオにおいて、医療専門家を支援するために解釈可能なアルゴリズムを採用することが追求されている。
本稿では, ポストホックとモデルベースという8つのアルゴリズムを概説する。
論文 参考訳（メタデータ） (2024-06-14T17:49:04Z) - Deformable multi-modal image registration for the correlation between
optical measurements and histology images [0.20482269513546453]
病理組織像の変形による不正確な登録により,光学的測定と適切な病理組織ラベルとの相関がしばしば妨げられる。
本研究では, 深層学習の原理を応用したマルチモーダル画像の自動登録手法について検討した。
論文 参考訳（メタデータ） (2023-11-24T11:14:39Z) - COSE: A Consistency-Sensitivity Metric for Saliency on Image
Classification [21.3855970055692]
本稿では,画像分類タスクにおいて,視覚の先行値を用いてサリエンシ手法の性能を評価する指標について述べる。
しかし,ほとんどの手法では,畳み込みモデルよりもトランスフォーマーモデルの方がよく説明できる。
論文 参考訳（メタデータ） (2023-09-20T01:06:44Z) - Label Denoising through Cross-Model Agreement [43.5145547124009]
ノイズのあるラベルを記憶することはモデルの学習に影響を与え、準最適性能をもたらす可能性がある。
雑音ラベルから堅牢な機械学習モデルを学習するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-27T00:31:04Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - TorchEsegeta: Framework for Interpretability and Explainability of
Image-based Deep Learning Models [0.0]
臨床医はしばしば自動画像処理アプローチ、特にディープラーニングに基づく手法の適用に懐疑的である。
本稿では,アルゴリズムの決定に最も影響を及ぼす解剖学的領域を記述することによって,ディープラーニングアルゴリズムの結果の解釈と説明を支援するアプローチを提案する。
ディープラーニングモデルに様々な解釈可能性および説明可能性技術を適用するための統合フレームワークであるTorchEsegetaを提案する。
論文 参考訳（メタデータ） (2021-10-16T01:00:15Z) - Supply of engineering techniques and software design patterns in
psychoanalysis and psychometrics sciences [0.0]
本研究の目的は、心理療法におけるCBT法(認知行動療法)の弱点を改善するために、ソフトウェア技術、モデル、人工知能アルゴリズムを導入することである。
本研究の目的は、隠れた人間の変数が検査結果から推測される心理測定実験の実装である。
論文 参考訳（メタデータ） (2021-08-16T08:36:37Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-14T00:53:03Z) - Beyond Trivial Counterfactual Explanations with Diverse Valuable
Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。
本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。
このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文 参考訳（メタデータ） (2021-03-18T12:57:34Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳（メタデータ） (2020-09-25T12:01:53Z)
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。