SALTS: センサー時系列のための合理化適応学習

センサー生成の時系列は、ヘルスケア分野で巨大な可能性を秘めていますが、その逐次的な性質のためにラベリングに関して課題が存在します。これは文脈や時間的依存性を考慮する必要があります。データラベリングのコストが高いことを認識し、ドメイン専門家がモデル最適化において限られた技術的専門知識を持つ可能性があることから、私たちは医療用時系列の機械学習モデルのトレーニングを自動化するアプローチを導入し、解析の効率を向上させます。私たちの提案は、まずデータ入力レベルで適応的データ取得を通じて高度に情報を提供するサンプルの選択を促進し、ラベリングを行います。さらに、動的モデルの洗練を通じてモデルレベルで機能し、可能なハイパーパラメータの選択肢を逐次的に探りながら各取得ステップで最適な組み合わせを選択し、未ラベルサンプルを最大限利用するための自動学習フェーズを実施します。これにより、拡大するデータと人間の専門知識で継続的にモデルを洗練する堅牢な学習戦略が実現します。EEG、ECG、およびIMU健康信号の分類で実証された私たちの方法は、ベースラインおよび現在の最先端技術を上回り、モデル調整に対する人間の入力への依存を削減します。SALTSは、医療用時系列に対する機械学習の適用性を向上させ、自動化された方法で各人間の注釈ステップから得られる情報を最大化します。