論文の概要: Interpretable Machine Learning Approaches to Prediction of Chronic Homelessness

• arxiv url: http://arxiv.org/abs/2009.09072v1
• Date: Sat, 12 Sep 2020 15:02:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 08:00:10.313882
• Title: Interpretable Machine Learning Approaches to Prediction of Chronic Homelessness
• Title（参考訳）: 解釈可能な機械学習による慢性ホームレスの予測
• Authors: Blake VanBerlo, Matthew A. S. Ross, Jonathan Rivard and Ryan Booker
• Abstract要約: 特定されていない顧客避難記録から慢性的なホームレスを予測するための機械学習手法を提案する。 我々のモデルであるHIFIS-RNN-MLPは、クライアントの過去6ヶ月の慢性的なホームレスを予測するために、クライアントの履歴の静的特徴と動的特徴の両方を取り入れている。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a machine learning approach to predict chronic homelessness from de-identified client shelter records drawn from a commonly used Canadian homelessness management information system. Using a 30-day time step, a dataset for 6521 individuals was generated. Our model, HIFIS-RNN-MLP, incorporates both static and dynamic features of a client's history to forecast chronic homelessness 6 months into the client's future. The training method was fine-tuned to achieve a high F1-score, giving a desired balance between high recall and precision. Mean recall and precision across 10-fold cross validation were 0.921 and 0.651 respectively. An interpretability method was applied to explain individual predictions and gain insight into the overall factors contributing to chronic homelessness among the population studied. The model achieves state-of-the-art performance and improved stakeholder trust of what is usually a "black box" neural network model through interpretable AI.
• Abstract（参考訳）: 本稿では,カナダのホームレス管理情報システムから抽出された非特定顧客避難記録から慢性ホームレスを予測するための機械学習手法を提案する。 30日間のタイムステップを使用して、6521人のデータセットを生成した。 我々のモデルであるHIFIS-RNN-MLPは、クライアントの過去6ヶ月の慢性的なホームレスを予測するために、クライアントの履歴の静的特徴と動的特徴の両方を取り入れている。 訓練方法は高いF1スコアを達成するために微調整され、高いリコールと精度のバランスが望まれていた。 10倍のクロスバリデーションの平均リコールと精度はそれぞれ0.921と0.651であった。 個人の予測を説明するための解釈可能性手法を適用し, 調査対象者の慢性的なホームレスに寄与する全体的要因について考察した。 このモデルは最先端のパフォーマンスを達成し、解釈可能なaiを通じて通常「ブラックボックス」ニューラルネットワークモデルのステークホルダー信頼を向上させる。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
  イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。 機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
  論文  参考訳（メタデータ） (2024-04-29T13:05:59Z)
• Learning and DiSentangling Patient Static Information from Time-series Electronic HEalth Record (STEER) [3.079694232219292]
  医療における機械学習の最近の研究は、患者のプライバシとアルゴリズムの公正性に関する懸念を提起している。 そこで我々は,患者の静的情報を予測するための時系列電子健康記録データの有用性を体系的に検討した。 生の時系列データだけでなく、機械学習モデルから学習した表現も、さまざまな静的情報を予測するためにトレーニングできることがわかった。
  論文  参考訳（メタデータ） (2023-09-20T14:54:48Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Asking for Help: Failure Prediction in Behavioral Cloning through Value Approximation [8.993237527071756]
  本稿では,行動クローン化政策と協調して,状態値関数を学習する手法である行動クローン値近似(BCVA)を導入する。 我々は,ラッチドア開口の移動操作課題にBCVAを適用し,BCVAの有効性を実証した。
  論文  参考訳（メタデータ） (2023-02-08T20:56:23Z)
• NoiER: An Approach for Training more Reliable Fine-TunedDownstream Task Models [54.184609286094044]
  補助モデルと付加データなしで問題を解くための学習パラダイムとして,ノイズエントロピー正規化(NoiER)を提案する。 提案手法は,従来の微調整モデルと比較して平均55%改善した。
  論文  参考訳（メタデータ） (2021-08-29T06:58:28Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。