論文の概要: Exploiting Uncertainties from Ensemble Learners to Improve Decision-Making in Healthcare AI

• arxiv url: http://arxiv.org/abs/2007.06063v1
• Date: Sun, 12 Jul 2020 18:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 05:11:15.802598
• Title: Exploiting Uncertainties from Ensemble Learners to Improve Decision-Making in Healthcare AI
• Title（参考訳）: 医療AIの意思決定を改善するためのアンサンブル学習者の不確かさの爆発
• Authors: Yingshui Tan, Baihong Jin, Xiangyu Yue, Yuxin Chen, Alberto Sangiovanni Vincentelli
• Abstract要約: 機械学習(ML)では、モデルパフォーマンスを改善し、意思決定リスクを軽減するために、アンサンブルラーニングが広く採用されている。 アンサンブル平均は,決定のための不確実性指標として,アンサンブル変動に対して好ましいことを示す。
• 参考スコア（独自算出の注目度）: 13.890527275215284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble learning is widely applied in Machine Learning (ML) to improve model performance and to mitigate decision risks. In this approach, predictions from a diverse set of learners are combined to obtain a joint decision. Recently, various methods have been explored in literature for estimating decision uncertainties using ensemble learning; however, determining which metrics are a better fit for certain decision-making applications remains a challenging task. In this paper, we study the following key research question in the selection of uncertainty metrics: when does an uncertainty metric outperforms another? We answer this question via a rigorous analysis of two commonly used uncertainty metrics in ensemble learning, namely ensemble mean and ensemble variance. We show that, under mild assumptions on the ensemble learners, ensemble mean is preferable with respect to ensemble variance as an uncertainty metric for decision making. We empirically validate our assumptions and theoretical results via an extensive case study: the diagnosis of referable diabetic retinopathy.
• Abstract（参考訳）: アンサンブル学習は機械学習(ml)に広く適用され、モデルのパフォーマンスを改善し、意思決定のリスクを軽減している。 このアプローチでは,多様な学習者の集合からの予測を組み合わせて共同決定を行う。 近年,アンサンブル学習を用いた意思決定の不確実性推定のための様々な手法が研究されているが,特定の意思決定アプリケーションに適合する指標を決定することは課題である。 本稿では,不確実性メトリクスの選択において,次のような重要な研究課題について検討する。 我々は,アンサンブル学習における2つの一般的な不確実性指標,すなわちアンサンブル平均とアンサンブル分散の厳密な分析を通じて,この問題に答える。 その結果,アンサンブル学習者の軽度仮定の下では,アンサンブル平均は意思決定の不確実性指標として,アンサンブル分散が望ましいことがわかった。 糖尿病性網膜症と診断する症例を広範囲に検討し,その仮説と理論的結果を実証的に検証した。

関連論文リスト

• Decision-Focused Uncertainty Quantification [32.93992587758183]
  我々は、下流決定損失関数を考慮した予測セットを生成するために、共形予測に基づくフレームワークを開発する。 本手法は皮膚疾患の階層構造を効果的に取り入れた医療診断における実世界のユースケースを提案する。
  論文  参考訳（メタデータ） (2024-10-02T17:22:09Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Empirical Validation of Conformal Prediction for Trustworthy Skin Lesions Classification [3.7305040207339286]
  我々は、深層ニューラルネットワークにおける不確実性定量化を評価するために、コンフォーマル予測、モンテカルロドロップアウト、およびエビデンシャルディープラーニングアプローチを開発した。 結果: 実験結果から, 不確実性定量化はコンフォーマル予測法により著しく向上した。 我々の結論は、様々なテスト条件にまたがる整合予測の頑健で一貫した性能を強調している。
  論文  参考訳（メタデータ） (2023-12-12T17:37:16Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• On the Complexity of Adversarial Decision Making [101.14158787665252]
  決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。 我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
  論文  参考訳（メタデータ） (2022-06-27T06:20:37Z)
• A Comparative Study of Faithfulness Metrics for Model Interpretability Methods [3.7200349581269996]
  診断性と時間的複雑さという2つの評価次元を導入する。 実験結果によると, 充足度と包括度は, 他の忠実度よりも診断性が高く, 時間的複雑さも低いことがわかった。
  論文  参考訳（メタデータ） (2022-04-12T04:02:17Z)
• The Statistical Complexity of Interactive Decision Making [126.04974881555094]
  複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。 統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
  論文  参考訳（メタデータ） (2021-12-27T02:53:44Z)
• Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference [0.0]
  我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。 具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。 拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
  論文  参考訳（メタデータ） (2021-07-21T22:47:24Z)
• Proximal Learning for Individualized Treatment Regimes Under Unmeasured Confounding [3.020737957610002]
  我々は,未測定のコンファウンディングの存在下で最適な個別化治療レジーム(itrs)を推定する手法を開発した。 これらの結果に基づいて,クラス内最適ITRの多種多様な分類に基づく探索手法を提案する。
  論文  参考訳（メタデータ） (2021-05-03T21:49:49Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。