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
- Structural-Based Uncertainty in Deep Learning Across Anatomical Scales:
Analysis in White Matter Lesion Segmentation [8.931762177469373]
不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。
我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。
症例172例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測した。
論文 参考訳(メタデータ) (2023-11-15T13:04:57Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - 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) - RISE: Robust Individualized Decision Learning with Sensitive Variables [1.5293427903448025]
素直なベースラインは、決定規則を学習する際の繊細な変数を無視し、重大な不確実性と偏見をもたらすことである。
本稿では、オフライントレーニング中に機密変数を組み込む決定学習フレームワークを提案するが、モデル展開中に学習された決定ルールの入力には含まない。
論文 参考訳(メタデータ) (2022-11-12T04:31:38Z) - 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 [89.01584399789951]
歴史的専門家の意思決定を豊富な情報源として利用することを検討します。
観察されたラベルだけで学習する制限を緩和するために活用できることを示しています。
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。