論文の概要: The Analysis from Nonlinear Distance Metric to Kernel-based Drug
Prescription Prediction System
- arxiv url: http://arxiv.org/abs/2102.02446v1
- Date: Thu, 4 Feb 2021 07:07:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 20:00:19.042524
- Title: The Analysis from Nonlinear Distance Metric to Kernel-based Drug
Prescription Prediction System
- Title(参考訳): 非線形距離距離からカーネルベースの薬物処方予測システムの解析
- Authors: Der-Chen Chang, Ophir Frieder, Chi-Feng Hung, Hao-Ren Yao
- Abstract要約: 距離メトリクスとその非線形変異は、機械学習に基づく現実世界の問題解決において重要な役割を果たす。
Euclideanとcosine distanceの測定値が理論的に異なるだけでなく、現実の医学的応用、すなわち薬物処方の成績予測においてどのように異なるかを示した。
- 参考スコア(独自算出の注目度): 5.041369269600902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distance metrics and their nonlinear variant play a crucial role in machine
learning based real-world problem solving. We demonstrated how Euclidean and
cosine distance measures differ not only theoretically but also in real-world
medical application, namely, outcome prediction of drug prescription. Euclidean
distance exhibits favorable properties in the local geometry problem. To this
regard, Euclidean distance can be applied under short-term disease with
low-variation outcome observation. Moreover, when presenting to highly variant
chronic disease, it is preferable to use cosine distance. These different
geometric properties lead to different submanifolds in the original embedded
space, and hence, to different optimizing nonlinear kernel embedding
frameworks. We first established the geometric properties that we needed in
these frameworks. From these properties interpreted their differences in
certain perspectives. Our evaluation on real-world, large-scale electronic
health records and embedding space visualization empirically validated our
approach.
- Abstract(参考訳): 距離メトリックとその非線形バリアントは、機械学習に基づく現実世界の問題解決において重要な役割を果たします。
ユークリッド距離測定とコサイン距離測定が, 理論上だけでなく, 現実世界の医療応用, すなわち薬剤処方のアウトカム予測においてもどのように異なるかを実証した。
ユークリッド距離は局所幾何問題において好ましい性質を示す。
この点で、ユークリッド距離は、低変動結果観察を伴う短期疾患下で適用することができる。
さらに、高変動性慢性疾患を提示する場合、コサイン距離を使用することが好ましい。
これらの異なる幾何学的性質は、元の埋め込み空間に異なる部分多様体をもたらし、したがって、異なる最適化非線形カーネル埋め込みフレームワークにつながる。
これらのフレームワークで必要な幾何学的特性を最初に確立しました。
これらの性質から、特定の視点でそれらの違いを解釈した。
実世界,大規模電子健康記録および埋め込み空間の可視化に関する評価は,我々のアプローチを実証的に検証した。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳(メタデータ) (2022-09-21T18:14:38Z) - Neural Distance Embeddings for Biological Sequences [43.07977514121458]
幾何ベクトル空間に配列を埋め込むためのフレームワークであるNeuroSEEDを提案する。
階層構造を捉えた双曲空間の有効性を示し, RMSEの埋め込みにおける平均22%の還元効果を示す。
提案手法は,実世界のデータセットに対して,大幅な精度向上と実行時改善を示す。
論文 参考訳(メタデータ) (2021-09-20T17:30:58Z) - Discovering Latent Causal Variables via Mechanism Sparsity: A New
Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。
潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文 参考訳(メタデータ) (2021-07-21T14:22:14Z) - A Graph-based approach to derive the geodesic distance on Statistical
manifolds: Application to Multimedia Information Retrieval [5.1388648724853825]
非ユークリッド幾何学の特性を利用して測地線距離を定義する。
グラフに基づく手法により測地線距離を近似する手法を提案する。
我々の主な目的は、グラフベースの近似とアート近似の状態を比べることである。
論文 参考訳(メタデータ) (2021-06-26T16:39:54Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Supervised deep learning of elastic SRV distances on the shape space of
curves [6.378513792050355]
本稿では,曲線間の距離を直接計算するための教師付きディープラーニングフレームワークを提案する。
本手法の計算速度と精度の点での利点は,いくつかの数値実験によって示される。
論文 参考訳(メタデータ) (2021-01-13T08:15:23Z) - Learning Flat Latent Manifolds with VAEs [16.725880610265378]
本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。
我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。
提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-02-12T09:54:52Z)
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。