論文の概要: Right Choice of Classification Algorithms Based on Reinforcement Learning for Prediction of Non-Alcoholic Fatty Liver
- arxiv url: http://arxiv.org/abs/2609.29181v1
- Date: Thu, 24 Sep 2026 07:54:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.781242
- Title: Right Choice of Classification Algorithms Based on Reinforcement Learning for Prediction of Non-Alcoholic Fatty Liver
- Title（参考訳）: 非アルコール性脂肪肝の予測のための強化学習に基づく分類アルゴリズムの右選択
- Abstract要約: 一次胆汁性硬変を予測するための適切な分類アルゴリズムを自動的に選択するアルゴリズムが提示される。
本手法で用いられる分類アルゴリズムの性能を63%の精度で向上し,98%の精度を実現した。
- 参考スコア（独自算出の注目度）: 0.9668407688201359
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: There are many complex issues in the world of artificial intelligence. Some of these problems are solved using other artificial intelligence methods, which are called artificial intelligence for artificial intelligence. Finding an appropriate classifier algorithm is a time-consuming task. For this reason, an algorithm that can automatically learn the choice of classification algorithms is very important. Classification algorithms are useful in predicting various diseases. Also, Primary Biliary Cirrhosis is one of the most well-known diseases that have been predicted by classification algorithms. This research's most significant achievement and novelty is the automatic increase in learning through a scoring method of reinforcement learning is called square learning (SL). In this research, an algorithm is presented that learns to automatically select the appropriate classification algorithm to predict Primary Biliary Cirrhosis. In this article, with inspiration from four evaluation metrics in classification algorithms, a new reinforcement learning method by the name of Fourth Degree Learning has been presented. In this research, we increased the performance of the classification algorithms used in this method from 63% of accuracy and achieved 98% accuracy.
- Abstract（参考訳）: 人工知能の世界には多くの複雑な問題がある。
これらの問題のいくつかは、人工知能のための人工知能と呼ばれる他の人工知能手法を用いて解決されている。
適切な分類アルゴリズムを見つけることは時間を要する作業である。
そのため,分類アルゴリズムの選択を自動的に学習するアルゴリズムは非常に重要である。
分類アルゴリズムは様々な病気を予測するのに有用である。
また、原発性胆汁性硬変は分類アルゴリズムによって予測された最もよく知られた疾患の1つである。
この研究の最も重要な成果と新規性は、強化学習のスコアリング方法による学習の自動増加を正方学習(SL)と呼ぶことである。
本研究では,原発性胆汁性硬変の予測に適切な分類アルゴリズムを自動選択するアルゴリズムを提案する。
本稿では,分類アルゴリズムにおける4つの評価指標からインスピレーションを得て,第4次Degree Learningという名の強化学習手法を提案する。
本研究では,この手法で用いられる分類アルゴリズムの性能を63%の精度で向上し,98%の精度を実現した。
関連論文リスト
- AI-Assisted Decision Making with Human Learning [8.598431584462944]
多くの場合、アルゴリズムの優れた性能にもかかわらず、最終的な決定は人間の手に委ねられている。
本稿では,人間がアルゴリズムと繰り返し対話することで学習する,AIによる意思決定設定について検討する。
我々は、アルゴリズムのモデルと人間のモデルとの相違が根本的なトレードオフを生み出すことを観察する。
論文 参考訳（メタデータ） (2025-02-18T17:08:21Z) - Empirical Analysis of Nature-Inspired Algorithms for Autism Spectrum Disorder Detection Using 3D Video Dataset [5.5711773076846365]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、反復行動や社会的・コミュニケーションスキルの欠如を含む慢性神経発達障害の症状である。
本稿では,3次元歩行映像データセットからASDを検出する手法について検討した。
分類アルゴリズムと自然に着想を得たアルゴリズムの組み合わせを多種に分けて展開し,その分類精度を100%の精度で評価した。
論文 参考訳（メタデータ） (2025-01-02T11:24:06Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Voting of predictive models for clinical outcomes: consensus of
algorithms for the early prediction of sepsis from clinical data and an
analysis of the PhysioNet/Computing in Cardiology Challenge 2019 [2.0559497209595823]
臨床データから敗血症の早期予測を行うために,70個の個別アルゴリズムからアンサンブルアルゴリズムを構築する問題を考える。
このアンサンブルアルゴリズムは,特に隠れテストセットにおいて,異なるアルゴリズムよりも優れることがわかった。
論文 参考訳（メタデータ） (2020-12-20T20:12:49Z) - 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) - Investigating the Robustness of Artificial Intelligent Algorithms with
Mixture Experiments [1.877815076482061]
AIアルゴリズムの堅牢性は、不正確な予測によって安全上の懸念が生じ、AIシステムの採用が制限される可能性があるため、大きな関心事である。
ロバストな分類アルゴリズムは、異なるアプリケーションシナリオ下で高い精度と低い変数を持つことが期待されている。
我々は、予測性能を収集するために、総合的な混合実験を行う。
次に,様々な要因がAI分類アルゴリズムの堅牢性にどのように影響するかを統計的に分析する。
論文 参考訳（メタデータ） (2020-10-10T15:38:53Z) - Mastering Rate based Curriculum Learning [78.45222238426246]
学習の進行という概念には、学習者のサンプル効率の低下につながるいくつかの欠点があると主張する。
本稿では,習得率の概念に基づく新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-14T16:34:01Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z)
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。