ترجمه فارسی مقاله یادگیری فعال برای نظارت بر سلامت مبتنی بر WBAN

چکیده

We consider a novel active learning problem motivated by the need of learning machine learning models for health monitoring in wireless body area network (WBAN). Due to the limited resources at body sensors, collecting each unlabeled sample in WBAN incurs a nontrivial cost. Moreover, training health monitoring models typically requires labels indicating the patient’s health state that need to be generated by healthcare professionals, which cannot be obtained at the same pace as data collection. These challenges make our problem fundamentally different from classical active learning, where unlabeled samples are free and labels can be queried in real time. To handle these challenges, we propose a two-phased active learning method, consisting of an online phase where a coreset construction algorithm is proposed to select a subset of unlabeled samples based on their noisy predictions, and an offline phase where the selected samples are labeled to train the target model. The samples selected by our algorithm are proved to yield a guaranteed error in approximating the full dataset in evaluating the loss function. Our evaluation based on real health monitoring data and our own experimentation demonstrates that our solution can drastically save the data curation cost without sacrificing the quality of the target model.

چکیده به فارسی (ترجمه ماشینی)

ما یک مشکل جدید یادگیری فعال را در نظر می گیریم که از نیاز به یادگیری مدل های یادگیری ماشین برای نظارت بر سلامت در شبکه بدن بی سیم (WBAN) استفاده می شود.با توجه به منابع محدود در سنسورهای بدن ، جمع آوری هر نمونه بدون برچسب در WBAN هزینه ای غیرقانونی را متحمل می شود.علاوه بر این ، آموزش مدل های نظارت بر سلامت به طور معمول به برچسب هایی نیاز دارد که نشان دهنده وضعیت بهداشتی بیمار است که باید توسط متخصصان مراقبت های بهداشتی تولید شود ، که با همان سرعت جمع آوری داده ها نمی توان به دست آورد.این چالش ها باعث می شود مشکل ما اساساً با یادگیری فعال کلاسیک متفاوت باشد ، جایی که نمونه های بدون برچسب رایگان هستند و برچسب ها در زمان واقعی قابل پرس و جو هستند.برای رسیدگی به این چالش ها ، ما یک روش یادگیری فعال دو مرحله ای را ارائه می دهیم ، متشکل از یک مرحله آنلاین که در آن یک الگوریتم ساخت و ساز Coreset برای انتخاب زیر مجموعه ای از نمونه های بدون برچسب بر اساس پیش بینی های پر سر و صدا آنها ، و یک مرحله آفلاین که نمونه های انتخاب شده برچسب خورده است ، پیشنهاد می شود.برای آموزش مدل هدف.نمونه های انتخاب شده توسط الگوریتم ما ثابت شده است که در تقریب مجموعه داده های کامل در ارزیابی عملکرد از دست دادن یک خطای تضمین شده به همراه دارد.ارزیابی ما مبتنی بر داده های نظارت بر سلامت واقعی و آزمایش خودمان نشان می دهد که راه حل ما می تواند بدون قربانی کردن کیفیت مدل هدف ، هزینه درمان داده را به شدت ذخیره کند.