Fugu-MT 論文翻訳(概要): Multiple Imputation for Biomedical Data using Monte Carlo Dropout Autoencoders

論文の概要: Multiple Imputation for Biomedical Data using Monte Carlo Dropout Autoencoders

arxiv url: http://arxiv.org/abs/2005.06173v1
Date: Wed, 13 May 2020 06:28:13 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 10:16:27.939841
Title: Multiple Imputation for Biomedical Data using Monte Carlo Dropout Autoencoders
Title（参考訳）: モンテカルロドロップアウトオートエンコーダを用いた生体医学データに対する多重インプテーション
Authors: Kristian Miok, Dong Nguyen-Doan, Marko Robnik-\v{S}ikonja and Daniela Zaharie
Abstract要約: 本稿では,モンテカルロの(可変)オートエンコーダ内におけるドロップアウトに基づくアプローチを提案する。提案手法により,計算誤差と予測類似性を改善することができることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to complex experimental settings, missing values are common in biomedical data. To handle this issue, many methods have been proposed, from ignoring incomplete instances to various data imputation approaches. With the recent rise of deep neural networks, the field of missing data imputation has oriented towards modelling of the data distribution. This paper presents an approach based on Monte Carlo dropout within (Variational) Autoencoders which offers not only very good adaptation to the distribution of the data but also allows generation of new data, adapted to each specific instance. The evaluation shows that the imputation error and predictive similarity can be improved with the proposed approach.
Abstract（参考訳）: 複雑な実験的な設定のため、バイオメディカルデータでは欠落する値が一般的である。この問題に対処するため、不完全なインスタンスを無視することから様々なデータ計算アプローチまで、多くの手法が提案されている。近年のディープニューラルネットワークの台頭により、不足するデータ計算の分野は、データ分散のモデリングに向けられている。本稿では,(可変)オートエンコーダ内のモンテカルロドロップアウトに基づくアプローチを提案する。このアプローチは,データの分散に対する適応性が極めて良好であるだけでなく,特定のインスタンスに適応した新たなデータの生成も可能にする。提案手法により,計算誤差と予測類似性を改善することができることを示す。

関連論文リスト

MissDiff: Training Diffusion Models on Tabular Data with Missing Values [29.894691645801597]
この研究は、欠落した値を持つデータから学習するための統一的で原則化された拡散ベースのフレームワークを示す。まず、広く採用されている「インプット・ザ・ジェネレーション」パイプラインが、バイアスのある学習目標に繋がる可能性があることを観察する。提案手法は,データ分布のスコアの学習に一貫性があることを証明し,提案手法は特定の場合において負の確率の上限として機能する。
論文参考訳（メタデータ） (2023-07-02T03:49:47Z)
Anomaly Detection using Generative Models and Sum-Product Networks in Mammography Scans [2.2515303891664358]
自動エンコーダと生成逆数ネットワークは、標準的な異常検出方法である。生成モデルとグラフィカルモデルの新しい組み合わせを提案する。医療データに対する異常検出におけるスタンドアロンモデルと最先端モデルの利用よりも優れた性能を観察する。
論文参考訳（メタデータ） (2022-10-12T13:18:16Z)
Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文参考訳（メタデータ） (2022-10-05T09:17:27Z)
Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文参考訳（メタデータ） (2022-03-29T04:54:06Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Medical data wrangling with sequential variational autoencoders [5.9207487081080705]
本稿では,逐次変分オートエンコーダ(vaes)を用いた異種データ型とバースト欠落データを用いた医療データ記録のモデル化を提案する。 GP-VAEモデルより計算複雑性が低く,両指標を用いた場合,Shi-VAEが最高の性能を発揮することを示す。
論文参考訳（メタデータ） (2021-03-12T10:59:26Z)
Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-03-01T01:43:04Z)
Online Missing Value Imputation and Change Point Detection with the Gaussian Copula [21.26330349034669]
実世界のデータサイエンスにとって、値計算の欠如は不可欠である。ガウスコプラを用いた混合データに対するオンライン計算アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-09-25T16:27:47Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Multiple Imputation with Denoising Autoencoder using Metamorphic Truth and Imputation Feedback [0.0]
データの内部表現を学習するために,Denoising Autoencoder を用いた多重命令モデルを提案する。我々は、属性の統計的整合性を維持するために、変成真理と帰納フィードバックの新たなメカニズムを用いる。提案手法は,多くの標準的なテストケースにおいて,様々な欠落メカニズムや欠落したデータのパターンに対するインパルスの効果を検証し,他の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-19T18:26:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。