AD-AutoGPT:自主用于阿尔茨海默病信息流行病学的 GPT
该研究提出了一种新颖的方法,利用 Transformer DL 模型(GPT-2)和与其人为降级版本(GPT-D)之间的困惑度比率,在语言学健康和损伤个体的语言上获得了接近于最先进性能的技术,也演示了通过 GPT-D 产生与 AD 相关的语言异常特征的能力,这对于更好地理解生成神经语言模型的内部工作机制、它们产生的语言以及痴呆症对人类语音和语言特征的不良影响是一步。
Mar, 2022
这项研究通过使用患者的语音和剧本数据,通过预训练语言模型和图神经网络来构建语音剧本的图,并提取特征进行阿尔茨海默病检测,同时引入音频数据和对小数据集进行增强处理,进而将音频特征与文本特征融合,最后尝试将语音剧本转化为音频进行对比学习,研究结果揭示了在使用语音和音频数据进行阿尔茨海默病检测中的挑战和潜在解决方案。
Jul, 2023
该研究使用 Spontaneous Speech 数据集文本转录,使用多种模型对 AD 和正常人的分类和预测进行训练和评估。结果表明,使用 TF-IDF 向量化器作为输入的 SVM 模型和使用 ' DistilBERT ' 的预训练模型作为简单线性模型的嵌入层的模型表现最佳,在分类指标上展示了测试集得分为 0.81-0.82 和 RMSE 为 4.58 的结果。
Jun, 2020
阿尔茨海默病(AD)是最常见的神经退行性疾病,但目前的可用治疗方法仅限于停止疾病进展。此外,由于该疾病的异质性,这些治疗方法的有效性并不保证。因此,能够在早期阶段确定疾病亚型至关重要。我们提出了一个多模态框架,使用早期指标如图像、遗传学和临床评估来对早期阶段的 AD 患者进行亚型分类。同时,我们建立提示并使用大型语言模型(如 ChatGPT)来解释我们模型的发现。在我们的框架中,我们提出了一个三模态共同关注机制(Tri-COAT),以明确学习跨模态特征关联。我们提出的模型优于基线模型,并提供了支持已知生物学机制的关键跨模态特征关联的洞察。
Jan, 2024
AutoML-GPT 是一种使用大型语言模型和任务导向提示的自动化训练管道,可自动处理数据、选择最佳模型架构和超参数优化,并在计算机视觉、自然语言处理等领域实现了显著的结果,对于许多 AI 任务具有广泛的适用性。
May, 2023
本文介绍了一个 Auto-GPT 样式的决策制定任务的综合基准研究,比较了 GPT-4、GPT-3.5、Claude 和 Vicuna 等流行的 LLMs 的性能,并介绍了一种称为 Additional Opinions 算法的易于实现的学习方法,可显著提高在线决策基准测试的性能,包括 WebShop 和 ALFWorld。
Jun, 2023
AutoML-GPT 框架结合了多种工具和库,通过对话界面,用户可以指定需求和约束条件,实现数据预处理、特征工程和模型选择等操作,从而显著减少机器学习任务所需的时间和工作量。它能充分利用大型语言模型中的知识,为模型训练过程中的常见挑战提供宝贵见解和有效解决方案。
Sep, 2023
本研究使用最新的自动语音识别技术,研究如何应用暂停符号和自动标点符号进行阿尔茨海默病分类,实验结果表明,这两种技术与手工转录结合可有效识别阿尔茨海默病。
Jun, 2023
本文旨在探讨阿尔茨海默病对词汇不同方面的影响,以及证明这些词汇特征在机器学习分类器中的应用可以实现最先进的性能,通过 ADDreSS 挑战数据集和语言样本实验结果验证阿尔茨海默病对词汇处理的显著影响。
Jul, 2023