转移学习方法在数字健康感知数据的机器学习中的调查
1Department of Electrical and Computer Engineering, University of Nevada, Las Vegas, NV 89154, USA.
Journal of personalized medicine
|December 23, 2023
概括
转移学习通过利用现有知识,有效地应对数字健康中的机器学习挑战. 这种方法提高了诊断和医疗保健服务的预测模型准确性和效率.
科学领域:
- 数字健康数字健康
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 数字健康中的机器学习 (ML) 面临着数据挑战:不完整性,隐私问题和偏见.
- 从头开始开发准确的ML模型是复杂的,昂贵的和耗时的.
研究的目的:
- 调查转移学习 (TL) 在数字健康应用中的有效性.
- 提高ML模型的准确性和诊断,预后和医疗保健服务的效率.
主要方法:
- 讨论数字健康传感技术作为ML的数据资源.
- 解释转移学习概念,类别和知识转移类型.
- 详细的TL方法:特征提取,微调,域调整,多任务学习,联合学习和少数/单一/零射击学习.
主要成果:
- 转移学习为数字健康中的数据稀缺性和复杂性提供了一个可行的解决方案.
- 确定TL方法在数字健康中的关键特征,局限性和挑战.
结论:
- 转移学习对于改进数字健康技术和克服ML挑战至关重要.
- 激励研究,以推进各种数字健康应用的TL策略.
