論文の概要: DICE: Deep Significance Clustering for Outcome-Aware Stratification
- arxiv url: http://arxiv.org/abs/2101.02344v1
- Date: Thu, 7 Jan 2021 03:06:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-04-10 13:46:01.165165
- Title: DICE: Deep Significance Clustering for Outcome-Aware Stratification
- Title（参考訳）: DICE: アウトカム・アウェア・ストラテファイションのための深い意味クラスタリング
- Authors: Yufang Huang, Kelly M. Axsom, John Lee, Lakshminarayanan Subramanian
and Yiye Zhang
- Abstract要約: deep significance clustering(dice)は、"outcome-aware"階層化のための表現学習とクラスタリングを共同で行うためのフレームワークである。
DICEは、クラスタ間の結果分布の違いによって測定される、優れたパフォーマンスを持つ。
- 参考スコア（独自算出の注目度）: 9.634559881417077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present deep significance clustering (DICE), a framework for jointly
performing representation learning and clustering for "outcome-aware"
stratification. DICE is intended to generate cluster membership that may be
used to categorize a population by individual risk level for a targeted
outcome. Following the representation learning and clustering steps, we embed
the objective function in DICE with a constraint which requires a statistically
significant association between the outcome and cluster membership of learned
representations. DICE further includes a neural architecture search step to
maximize both the likelihood of representation learning and outcome
classification accuracy with cluster membership as the predictor. To
demonstrate its utility in medicine for patient risk-stratification, the
performance of DICE was evaluated using two datasets with different outcome
ratios extracted from real-world electronic health records. Outcomes are
defined as acute kidney injury (30.4\%) among a cohort of COVID-19 patients,
and discharge disposition (36.8\%) among a cohort of heart failure patients,
respectively. Extensive results demonstrate that DICE has superior performance
as measured by the difference in outcome distribution across clusters,
Silhouette score, Calinski-Harabasz index, and Davies-Bouldin index for
clustering, and Area under the ROC Curve (AUC) for outcome classification
compared to several baseline approaches.
- Abstract（参考訳）: 本稿では,「既知」階層化のための表現学習とクラスタリングを共同で行うフレームワークであるdeep significance clustering(dice)を提案する。
DICEは、対象とする結果の個人リスクレベルによって人口を分類するために使用されるクラスタメンバシップを生成することを意図している。
表現学習とクラスタリングのステップに従って,目的関数をdiceに組み込むことにより,結果と学習表現のクラスタメンバシップとの間に統計的に有意な関係を求める制約を与える。
さらにDICEは、表現学習の可能性を最大化するニューラルネットワーク探索ステップと、クラスタメンバシップを予測子として結果分類精度を最大化する。
患者リスク階層化医療におけるDICEの有用性を示すために,実世界の電子健康記録から抽出した結果比の異なる2つのデータセットを用いてDICEの性能を評価した。
結果は、covid-19患者のコホート間で急性腎障害(30.4\%)、心不全患者のコホート間では退院(36.8\%)と定義されている。
その結果, クラスタ間の結果分布の差, シルエットスコア, カリンスキー・ハラバス指数, ダヴィース・ボルディン指数, ROC曲線(AUC)による結果分類において, 複数のベースライン手法と比較して, DICEは優れた性能を示した。
関連論文リスト
- Comparative analysis of unsupervised clustering techniques using validation metrics: Study on cognitive features from the Canadian Longitudinal Study on Aging (CLSA) [0.0]
CLSAデータセットには、ベースラインとフォローアップアセスメントの両方で利用可能なデータを持つ18,891人の参加者が含まれている。
この分析で使用されるクラスタリング手法は、K-means(KM)クラスタリング、階層クラスタリング(HC)、およびPAM(Partitioning Around Medoids)である。
K平均とPAM(Partitioning Around Medoids)の3つのクラスタリング手法の結果を比較するために評価指標を使用した結果、同様の結果が得られた。
論文 参考訳（メタデータ） (2025-04-07T21:13:51Z) - Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。
最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。
いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文 参考訳（メタデータ） (2025-03-16T09:38:11Z) - A Self-Supervised Learning-based Approach to Clustering Multivariate
Time-Series Data with Missing Values (SLAC-Time): An Application to TBI
Phenotyping [8.487912181381404]
自己教師型学習に基づく多変量時系列データのクラスタリング手法を提案する(SLAC-Time)。
SLAC-TimeはTransformerベースのクラスタリング手法で、ラベルのないデータを活用するためのプロキシタスクとして時系列予測を使用する。
実験により、SLAC-Timeは、シルエット係数、カリンスキー・ハラバスツ指数、ダン指数、デイビース・ボルディン指数の点で、ベースラインのK平均クラスタリングアルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2023-02-27T01:05:17Z) - Non-parametric Clustering of Multivariate Populations with Arbitrary
Sizes [0.0]
K群を同じ依存構造を持つ部分群に分類するクラスタリング手法を提案する。
数値的な研究と2つの実際のデータセットを通してクラスタリングアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-11-11T16:38:29Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳（メタデータ） (2022-09-22T09:04:10Z) - The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。
4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
論文 参考訳（メタデータ） (2022-04-04T14:09:58Z) - Contrastive Fine-grained Class Clustering via Generative Adversarial
Networks [9.667133604169829]
コントラスト学習を適用することでInfoGANのカテゴリ推論能力を活用する手法であるC3-GANを紹介する。
C3-GANは4つのきめ細かいベンチマークデータセットで最先端のクラスタリング性能を達成した。
論文 参考訳（メタデータ） (2021-12-30T08:57:11Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳（メタデータ） (2020-12-24T12:56:46Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z)
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。