Microsoft Word - Deep Learning vs Múnlaí Traidisiúnta_Abdel Hai_Deiridh.Cuid 2

Chun na sonraí a ullmhú do mhúnlaí meaisínfhoghlama, rinneadh na teicnící réamhphróiseála sonraí seo a leanas.

Tá dlúthbhaint ag sonraí agus cuimhne. Sa tsochaí nua-aimseartha, faigheann muid go leor faisnéise agus sonraí gach lá, lena n-áirítear téacs, pictiúir, físeáin, etc. Ní mór cuimhne láidir a bheith againn chun na sonraí seo a phróiseáil agus a eagrú go héifeachtach.

Ar thaobh amháin, is féidir le sonraí tacaíocht chuimhne a sholáthar dúinn. Mar shampla, nuair a fhoghlaimímid eolas nua, is féidir linn pointí eolais a thuiscint agus a mháistir níos tapúla agus níos fearr trí shonraí agus fíricí ábhartha a mheabhrú. Is féidir leis an gcineál seo modh foghlama cabhrú linn cuimhne láidir a thógáil agus an cumas chun eolas a rialú a choinneáil ar feadh i bhfad.

Ar an láimh eile, is féidir le sonraí cabhrú linn freisin chun cuimhne a oiliúint agus a fheabhsú. Trí mhodhanna oiliúna cuimhne éagsúla, is féidir linn sonraí a úsáid go solúbtha chun oiliúint chuimhne a dhéanamh, ár gcumas cuimhne a fheabhsú go pointe áirithe, agus mar sin oiriúnú níos fearr d'fhorbairt na sochaí agus riachtanais oibre agus saoil.

Is féidir a fheiceáil go bhfuil an gaol idir sonraí agus cuimhne an-dlúth agus tábhachtach. Is trí shonraí a phróiseáil agus a úsáid go gníomhach agus go héifeachtach amháin is féidir linn ár gcumas cuimhne a úsáid níos fearr agus torthaí níos fearr a bhaint amach. Mar sin, ba cheart dúinn an gaol idir sonraí agus cuimhne a chóireáil go gníomhach, oiliúint agus iarratais ábhartha a dhéanamh, agus ár gcumas a fheabhsú i gcónaí. Is féidir a fheiceáil go gcaithfimid cuimhne a fheabhsú, agus is féidir le Cistanche deserticola feabhas mór a chur ar chuimhne, mar is féidir le Cistanche deserticola cothromaíocht neurotransmitters a rialáil freisin, mar shampla leibhéil acetylcholine agus fachtóirí fáis a mhéadú. Tá na substaintí seo an-tábhachtach don chuimhne agus don fhoghlaim. Ina theannta sin, is féidir le Feola sreabhadh fola a fheabhsú freisin agus seachadadh ocsaigine a chur chun cinn, rud a d'fhéadfadh a chinntiú go bhfaigheann an inchinn go leor cothaithigh agus fuinnimh, rud a fheabhsóidh beogacht agus seasmhacht na hinchinne.

Cliceáil fios bealaí chun feidhm na hinchinne a fheabhsú

Bhí gnéithe catagóiriúla ionchódaithe te amháin; normalaíodh gnéithe leanúnacha agus scoite trí úsáid a bhaint as teicníochtaí íosta-uasghnácha,32 a shainmhínítear mar:

Bhí líon éagsúil taifead i ngach teagmháil le haghaidh gach ceann de na gnéithe seo a leanas. Mar sin, ríomhadh na luachanna staidrimh a leanas ina ionad sin. Maidir le brúnna fola diastólacha agus sistolacha, rinneamar íosluachanna, uasluachanna agus meánluachanna a ríomh.

Maidir le BMI, baineadh úsáid as íosmhéid, uasmhéid, meán, agus comhéifeacht athraithis. Normalaíodh na luachanna staidrimh seo agus úsáideadh iad mar ghnéithe. Ina theannta sin, bhí difríocht idir líon na ngnéithe ag cruinnithe mar gheall ar an líon éagsúil tástálacha saotharlainne, diagnóisí agus nósanna imeachta. D’fhéadfadh ildhiagnóisí agus/nó cóid nós imeachta nó gan aon cheann a bheith i gceist le teagmháil.

Chun é seo a leigheas agus chun gné-veicteora a aontú trí thoise, baineadh úsáid as na teicnící léirithe sonraí seo a leanas chun foghlaim na múnlaí a fheabhsú. Le haghaidh diagnóis agus cóid nós imeachta, d'úsáideamar léiriú ionchóduithe aon-te, áit ar socraíodh gach luach go 0 nó 1, ag tabhairt le fios cibé an raibh cód adagnóisithe/nós imeachta ann do gach teagmháil nó nach raibh. D’athraíomar an teicníocht léirithe sonraí seo beagán le haghaidh tástálacha saotharlainne toisc go raibh toradh gaolmhar ag gach tástáil.

Mar sin, chuireamar in ionad 1, rud a léirigh go bhfuil cód ann, le toradh na saotharlainne. Normalaíodh torthaí saotharlainne ag baint úsáide as Cothromóid 1. Toisc gur aonaid agus tomhais dhifriúla a bhí sna torthaí, agus torthaí saotharlainne á ngnáthú, rinneamar breithniú ar leithligh ar an íosmhéid agus ar an uasmhéid do gach cód saotharlainne. Chruthaigh an teicníocht seo eagar tanaí ardtoiseach mar gheall ar an iliomad cód uathúla.
Ansin, bhaineamar úsáid as an algartam Dí-chomhdhéanamh Luach Uathartha (SVD) chun gné leabaithe agus laghdaithe a fhoghlaim. Baineadh úsáid as SVD ós rud é nach nglacann sé le maitrís cearnach mar ionchur agus go bhfuil sé níos fearr le haghaidh sonraí gann.33 Laghdaíodh tástálacha saotharlainne go 50 comhpháirt, nós imeachta. laghdaíodh cóid go 45 comhpháirt, agus laghdaíodh cóid diagnóis go 25 comhpháirt.

Rinneadh iniúchadh ar chomhpháirteanna éagsúla agus breathnaíodh an cóimheas suime athraithis chun líon optamach na gcomhpháirteanna a chinneadh chun an toise a laghdú. Comhtháthaíodh na gnéithe go léir i dteagmháil foreach veicteora gné. Cuireadh SVD i bhfeidhm ar gach teagmháil ar leithligh chun toisí a laghdú agus a aontú; laghdaíodh toise na gcuntar go 50 gné in aghaidh an teagmhála.

Ansin, chomhcheangail muid gach teagmháil d'othar ar leith i ngné-veicteora a ordaíodh go seicheamhach de réir dáta iontrála. Ba é an dáileadh ranga ná 27,511 othar gan athligean isteach (rang diúltach) agus 9,130 ​​othar a athligean isteach (aicme dearfach).

Cur Chuige Turgnamhach

Rinneamar turgnaimh fhairsing ag baint úsáide as na sonraí EHR chun aghaidh a thabhairt ar na cuspóirí seo a leanas:

- Tuar cé acu an ndéanfar othair a bhfuil diaibéiteas orthu a athligean isteach laistigh de 30 lá

- Cuir feidhmíocht na modhanna DL a úsáideadh i gcomparáid le roinnt samhlacha traidisiúnta

- Déan anailís ar cé mhéad teagmháil a rinneadh roimhe seo (.i. sonraí stairiúla) laistigh de 2 bhliain is fearr chun ligean isteach a thuar

- Déan measúnú ar na héifeachtaí a bhaineann le gach tástáil saotharlainne a ionchorprú sna sonraí in aghaidh na foghlama ó fho-thacar tástálacha a roghnaíonn saineolaí fearainn

Sa staidéar seo, glacann samhlacha DL mar ionchur 3-3-tensor tríthoiseach � x � x � chun f gnéithe a léiriú do gach ceann de theagmhálacha d’othair p. I gcodarsnacht leis sin, i múnlaí traidisiúnta, léirítear sonraí go hiondúil mar 2-maitrís tríthoiseach, le gnéithe uile na dteagmhálacha ar fad a fhreagraíonn d’othar singil atá comhcheangailte i veicteoir gné fhada.

Laghdaíodh toiseacht gach teagmhála agus aontaíodh go 50 gné, mar sin, i múnla domhain � is é méid 50. In atradition model feature vector consists of all encountersand therefore is of size � x 50.

Bíonn uimhreacha éagsúla teagmhála ag othair as a dtagann toisí neamhionanna; mar sin, stuáladh veicteoirí gné le 0s chun foirm aontaithe a bhaint amach. Léirítear léiriú sonraí a úsáidtear mar ionchur doDL agus samhlacha traidisiúnta ar phainéil chlé agus ar dheis i bhFíor 1, faoi seach.
Chun sonraí seicheamhacha ilchineálacha a shamhaltú, d’fhorbraíomar 2 leagan de mhúnlaí DL agus rinneamar comparáid idir samhlacha éagsúla traidisiúnta a úsáidtear mar bhunlínte. Ba iad na samhlacha DL a úsáideadh inár staidéar ná: 1) 1-líonraí Cuimhne Gearrthéarmach Fad (LSTM), ar leagan eile iad de Líonra Néarach Athfhillteach (RNN) atá in ann sonraí neamhsheicheamhacha spleáchas ar ord a fhoghlaim32; agus 2) Aonad Athfhillteach Geata Déthreo (GRU), ar leagan eile de RNN é.

Ba iad na múnlaí traidisiúnta a úsáideadh mar bhunlínte ná: 1) Random Forest (RF), modh ensemble le haghaidh aicmiú agus aischéimniú; le linn na hoiliúna, tógann sé crainn chinntí iolracha;30 Is minic a ghnóthaíonn RF an fheidhmíocht úrscothach sa litríocht reatha ar thuar ag baint úsáide as sonraí leighis. 2) Perceptron ilchiseal (MLP), samhail líonra néarúil simplí nach gcuireann faisnéis ama san áireamh.

Is éard atá i MLP sraitheanna iolracha de pheirceptron, comhlíonann sé foghlaim cúl-iomdaithe, agus úsáideann feidhm ghníomhachtaithe neamhlíneach.31 3) Aischéimniú Lóistíochta (LR), múnla inmhínithe a úsáidtear go minic sa litríocht reatha de thuar athghlacadh agus a chuirtear i bhfeidhm ar shonraí leighis; agus 4) AdaBoost, ar lú an seans go ndéanfaí rófheisteas air toisc nach bhfuil a pharaiméadair ionchuir optamaithe i gcomhpháirt.

Cuireadh na samhlacha DL i bhfeidhm ag baint úsáide as leabharlanna Python "Keras", API ardleibhéil de "TensorFlow". Baineadh úsáid as an leabharlann "Scikit-lean" chun samhlacha traidisiúnta a chur i bhfeidhm i Python.

Cuimsíonn ailtireacht na samhla molta, LSTM, 128 néaróin, ciseal seicheamhach, ciseal athmhúnlaithe a úsáideadh chun an t-ionchur a athmhúnlú go 3-teansóir tríthoiseach, agus ciseal chumhdaigh ar a bhfuil luach maisc de 0 a úsáidtear chun na céimeanna ama a raibh na sonraí in easnamh ina leith a scipeáil.

Ó rinneadh stuáil le 0s chun toisí a aontú, úsáideadh an ciseal maisc chun aon ríomh leis na luachanna a bhí in easnamh i ngach sraith tar éis an tsraith chumhdaigh a sheachaint, mar sin níor tugadh cuntas ar luachanna in easnamh le linn na foghlama.

Ina theannta sin, cuireadh rogha anuas leis idir na sraitheanna folaithe agus na sraitheanna aschuir. Trí úsáid a bhaint as an teicníocht seo chun céatadán áirithe a roghnú go randamach le titim, is teicníc rialtachta choitianta é a chuidíonn leis an tsamhail patrúin ghinearálta i sonraí a fhoghlaim.

Is malairt líonra néarúil é RNN, comhdhéanta de néaróin fholaithe atá in ann anailís a dhéanamh ar EHRdata ama.32 Cuimsíonn RNN an struchtúr céanna leis an mbunghréasán néarúil, ach tá néaróin sa tsraith chéanna ceangailte, rud a ligeann do néaróin foghlaim ón gcéanna. sraitheanna comharsanacha, chomh maith le foghlaim ó aschuir na sraitheanna roimhe seo agus na sonraí ionchuir. Mar sin, cuimsíonn néaróin RNN dhá fhoinse ionchuir, an lá atá inniu ann, agus an t-am atá caite. Sainmhínítear próiseas na foghlama mar:

Chun luach �" néaróin fholaithe a ríomh, �, cuirtear feidhm thrasfhoirmithe neamhlíneach, ReLU, i bhfeidhm ar �luach ualaithe a néaróin fholaithe chlé �"#$ agus � luach ualaithe a ionchuir �".

Ríomhtar tuartha trí úsáid a bhaint as feidhm asigmoid na suime ualaithe � de na néaróin fholaithe go léir le laofacht bhreise �. Is é an míbhuntáiste a bhaineann le RNN ná go bhfuil fadhb an ghrádáin ag dul in olcas dó, rud a chiallaíonn go bhfanann na meáchain gan athrú, rud a fhágann go bhfuil sé deacair don mhúnla teacht le chéile, mar sin bíonn deacrachtaí ag an tsamhail foghlaim.

Chun é seo a réiteach, tugadh isteach ciseal LSTM ina gcuirtear struchtúr cuimhne gearrthéarmach níos casta in ionad néaróin sigmoid de RNN. Roinneann LSTM na sraitheanna meáchain céanna trasna, rud a laghdaíonn líon na bparaiméadar a ríomhann an líonra.

Is réiteach malartach é an GRU d’fhadhb an ghrádáin éalaithe. Cuireann sé aonad gatáilte in ionad an néaróin shimplí, a bhfuil níos lú paraiméadair aige ná néaróin theLSTM toisc nach bhfuil geata aschuir aige.33

For more information:1950477648nn@gmail.com