論文の概要: Counterfactual Contextual Multi-Armed Bandit: a Real-World Application
to Diagnose Apple Diseases
- arxiv url: http://arxiv.org/abs/2102.04214v1
- Date: Mon, 8 Feb 2021 14:11:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 16:07:25.827730
- Title: Counterfactual Contextual Multi-Armed Bandit: a Real-World Application
to Diagnose Apple Diseases
- Title(参考訳): 対物的コンテキスト的マルチアーマッドバンド:Apple病のリアルタイム診断への応用
- Authors: Gabriele Sottocornola, Fabio Stella, Markus Zanker
- Abstract要約: リンゴの収穫後の病気は、リンゴ生産の経済セクターにおける主要な問題の一つである。
我々は,リンゴ病の診断を支援する画像ベースの意思決定支援システムであるDSSAppleを開発した。
- 参考スコア(独自算出の注目度): 1.7403133838762446
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Post-harvest diseases of apple are one of the major issues in the economical
sector of apple production, causing severe economical losses to producers.
Thus, we developed DSSApple, a picture-based decision support system able to
help users in the diagnosis of apple diseases. Specifically, this paper
addresses the problem of sequentially optimizing for the best diagnosis,
leveraging past interactions with the system and their contextual information
(i.e. the evidence provided by the users). The problem of learning an online
model while optimizing for its outcome is commonly addressed in the literature
through a stochastic active learning paradigm - i.e. Contextual Multi-Armed
Bandit (CMAB). This methodology interactively updates the decision model
considering the success of each past interaction with respect to the context
provided in each round. However, this information is very often partial and
inadequate to handle such complex decision making problems. On the other hand,
human decisions implicitly include unobserved factors (referred in the
literature as unobserved confounders) that significantly contribute to the
human's final decision. In this paper, we take advantage of the information
embedded in the observed human decisions to marginalize confounding factors and
improve the capability of the CMAB model to identify the correct diagnosis.
Specifically, we propose a Counterfactual Contextual Multi-Armed Bandit, a
model based on the causal concept of counterfactual. The proposed model is
validated with offline experiments based on data collected through a large user
study on the application. The results prove that our model is able to
outperform both traditional CMAB algorithms and observed user decisions, in
real-world tasks of predicting the correct apple disease.
- Abstract(参考訳): リンゴの収穫後の病気は、リンゴ生産の経済部門で大きな問題の1つであり、生産者に深刻な経済的損失をもたらした。
そこで我々は,apple 病の診断を支援する画像ベースの意思決定支援システム dssapple を開発した。
具体的には,システムとの過去のインタラクションと文脈情報(すなわち,文脈情報)を活用することで,最適な診断を順次最適化する問題に対処する。
ユーザーによって提供される証拠)。
オンラインモデルを学習し、その結果を最適化する問題は、確率的アクティブラーニングパラダイム、すなわち、文献で一般的に扱われる。
CMAB (Contextual Multi-Armed Bandit) の略。
この方法論は、各ラウンドで提供されるコンテキストに関する過去のインタラクションの成功を考慮して、意思決定モデルをインタラクティブに更新する。
しかし、この情報は非常に頻繁に部分的で、そのような複雑な意思決定の問題に対処するのに不十分です。
一方、人間の決定には暗黙的に、人間の最終的な決定に大きく貢献する不観測要因(未観察の共創者として文献で言及される)が含まれる。
本稿では,観察された人間の判断に埋め込まれた情報を利用して,境界要因を疎外し,CMABモデルの有効性を向上し,適切な診断を行う。
具体的には,反事実の因果概念に基づく反事実的文脈的多武装バンディットモデルを提案する。
提案モデルは,アプリケーションに関する大規模なユーザ調査を通じて収集されたデータに基づいて,オフライン実験により検証される。
その結果,本モデルは従来のcmabアルゴリズムと観察したユーザの判断を上回ることができ,正確なapple病の予測を実世界で行うことができた。
関連論文リスト
- Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳(メタデータ) (2023-11-13T16:00:16Z) - Explainable Depression Symptom Detection in Social Media [2.433983268807517]
本稿では, トランスフォーマーアーキテクチャを用いて, ユーザの文章中の抑うつ症状マーカーの出現を検知し, 説明する。
我々の自然言語による説明により、臨床医はバリデーションされた症状に基づいてモデルの判断を解釈できる。
論文 参考訳(メタデータ) (2023-10-20T17:05:27Z) - A Multimodal Data-driven Framework for Anxiety Screening [15.002401707506941]
我々は,MMD-ASというデータ駆動型不安スクリーニングフレームワークを提案し,スマートフォンによる200人以上の船員の健康データ収集実験を行った。
モデルの性能向上のために,提案フレームワークの特徴抽出,次元縮小,特徴選択,不安推定を共同で訓練した。
論文 参考訳(メタデータ) (2023-03-16T02:25:05Z) - Mitigating Health Disparities in EHR via Deconfounder [5.511343163506091]
我々は、医療データセットの格差問題に対処する新しいフレームワーク、Parity Medical Deconfounder(PriMeD)を提案する。
PriMeDはCVAE(Conditional Variational Autoencoder)を採用して、観測データに対する潜伏要因(代替共同設立者)を学習する。
論文 参考訳(メタデータ) (2022-10-28T05:16:50Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳(メタデータ) (2022-07-23T01:06:34Z) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-08T03:06:16Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Indecision Modeling [50.00689136829134]
AIシステムは人間の価値観に合わせて行動することが重要である。
人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
論文 参考訳(メタデータ) (2020-12-15T18:32:37Z) - Neuromorphic AI Empowered Root Cause Analysis of Faults in Emerging
Networks [3.710841042000923]
我々は、完全に自動化された自己修復システムに向けた重要なステップを提供する、AIベースの障害診断ソリューションを提案する。
提案手法の性能を,文学における最先端解と比較する。
その結果,ニューロモルフィック・コンピューティング・モデルは,他のモデルと比較して高い分類精度が得られた。
論文 参考訳(メタデータ) (2020-05-04T13:26:56Z)
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。