論文の概要: Clustering Left-Censored Multivariate Time-Series

• arxiv url: http://arxiv.org/abs/2102.07005v1
• Date: Sat, 13 Feb 2021 21:22:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 13:40:42.391841
• Title: Clustering Left-Censored Multivariate Time-Series
• Title（参考訳）: クラスタリング 左チャージ型多変量時系列
• Authors: Irene Y. Chen, Rahul G. Krishnan, David Sontag
• Abstract要約: クラスタリング作業における左検閲の干渉を軽減することに注力する。 検閲時間を補正しながらクラスタリングする時系列データの深い生成的連続時間モデルを開発する。 合成データに正確、安定、かつ解釈可能な結果を示します。
• 参考スコア（独自算出の注目度）: 2.4493299476776778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised learning seeks to uncover patterns in data. However, different kinds of noise may impede the discovery of useful substructure from real-world time-series data. In this work, we focus on mitigating the interference of left-censorship in the task of clustering. We provide conditions under which clusters and left-censorship may be identified; motivated by this result, we develop a deep generative, continuous-time model of time-series data that clusters while correcting for censorship time. We demonstrate accurate, stable, and interpretable results on synthetic data that outperform several benchmarks. To showcase the utility of our framework on real-world problems, we study how left-censorship can adversely affect the task of disease phenotyping, resulting in the often incorrect assumption that longitudinal patient data are aligned by disease stage. In reality, patients at the time of diagnosis are at different stages of the disease -- both late and early due to differences in when patients seek medical care and such discrepancy can confound unsupervised learning algorithms. On two clinical datasets, our model corrects for this form of censorship and recovers known clinical subtypes.
• Abstract（参考訳）: 教師なし学習は、データのパターンを明らかにする。 しかし、異なる種類のノイズは、実世界の時系列データから有用なサブ構造の発見を妨げる可能性がある。 本研究では,クラスタリング作業における左検閲の干渉を軽減することに焦点を当てる。 クラスタと左検閲が特定できる条件を提供し、その結果、検閲時間を修正しながらクラスタ化された時系列データの深い生成的連続時間モデルを開発する。 複数のベンチマークを上回っている合成データに対して,正確,安定,かつ解釈可能な結果を示す。 本研究は,現実世界の問題に対するフレームワークの有用性を示すために,左検閲が疾患表現型付けの課題にどのように悪影響を及ぼすかを検討した。 実際には、診断時の患者は病気の異なる段階にある ― 患者が医療を求める時期の違いのために、遅かれ早かれ、そのような不一致は教師なしの学習アルゴリズムを組み合わせることができる。 2つの臨床データセットでは、この形態の検閲を修正し、既知の臨床サブタイプを回復する。

関連論文リスト

• Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。 急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Temporal Clustering with External Memory Network for Disease Progression Modeling [8.015263440307631]
  疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。 DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
  論文  参考訳（メタデータ） (2021-09-29T02:32:06Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• 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)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。