論文の概要: Blending Knowledge in Deep Recurrent Networks for Adverse Event
Prediction at Hospital Discharge
- arxiv url: http://arxiv.org/abs/2104.04377v1
- Date: Fri, 9 Apr 2021 14:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 13:59:37.867873
- Title: Blending Knowledge in Deep Recurrent Networks for Adverse Event
Prediction at Hospital Discharge
- Title（参考訳）: 病院退院時の有害事象予測のためのディープリカレントネットワークのブレンド知識
- Authors: Prithwish Chakraborty, James Codella, Piyush Madan, Ying Li, Hu Huang,
Yoonyoung Park, Chao Yan, Ziqi Zhang, Cheng Gao, Steve Nyemba, Xu Min, Sanjib
Basak, Mohamed Ghalwash, Zach Shahn, Parthasararathy Suryanarayanan, Italo
Buleje, Shannon Harrer, Sarah Miller, Amol Rajmane, Colin Walsh, Jonathan
Wanderer, Gigi Yuen Reed, Kenney Ng, Daby Sow, Bradley A. Malin
- Abstract要約: セルフアテンテンションに基づくリカレントニューラルネットワークによって計算された患者データの表現と臨床的に関連性のある機能とを融合させた学習アーキテクチャを導入する。
我々は,大規模なクレームデータセットについて広範な実験を行い,ブレンド手法が標準的な機械学習手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 15.174501264797309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning architectures have an extremely high-capacity for modeling
complex data in a wide variety of domains. However, these architectures have
been limited in their ability to support complex prediction problems using
insurance claims data, such as readmission at 30 days, mainly due to data
sparsity issue. Consequently, classical machine learning methods, especially
those that embed domain knowledge in handcrafted features, are often on par
with, and sometimes outperform, deep learning approaches. In this paper, we
illustrate how the potential of deep learning can be achieved by blending
domain knowledge within deep learning architectures to predict adverse events
at hospital discharge, including readmissions. More specifically, we introduce
a learning architecture that fuses a representation of patient data computed by
a self-attention based recurrent neural network, with clinically relevant
features. We conduct extensive experiments on a large claims dataset and show
that the blended method outperforms the standard machine learning approaches.
- Abstract（参考訳）: ディープラーニングアーキテクチャは、さまざまなドメインで複雑なデータをモデリングするのに非常に高い能力を持っています。
しかし、これらのアーキテクチャは、主にデータ疎結合の問題により、30日間の可読性などの保険請求データを用いて、複雑な予測問題を支援する能力に制限されている。
その結果、古典的な機械学習手法、特にドメイン知識を手作りの機能に組み込む手法は、しばしばディープラーニングのアプローチに匹敵し、時として優れています。
本稿では,深層学習アーキテクチャにドメイン知識をブレンドして病院退院時の有害事象を予測することで,深層学習の可能性を実現する方法について述べる。
より具体的には、自己注意に基づくリカレントニューラルネットワークによって計算される患者データの表現を、臨床的に関連する特徴とともに融合する学習アーキテクチャを導入する。
我々は,大規模なクレームデータセットについて広範な実験を行い,ブレンド手法が標準的な機械学習手法よりも優れていることを示す。
関連論文リスト
- Breaking the Curse of Dimensionality in Deep Neural Networks by Learning
Invariant Representations [1.9580473532948401]
この論文は、これらのモデルのアーキテクチャとそれらが処理するデータ内の固有の構造との関係を研究することによって、ディープラーニングの理論的基礎を探求する。
ディープラーニングアルゴリズムの有効性を駆動するものは何か,いわゆる次元の呪いに勝てるのか,と問う。
本手法は,実験的な研究と物理に触発された玩具モデルを組み合わせることによって,深層学習に実証的なアプローチをとる。
論文 参考訳（メタデータ） (2023-10-24T19:50:41Z) - Homological Neural Networks: A Sparse Architecture for Multivariate
Complexity [0.0]
我々は,基礎となるデータのホモロジー構造上に構築された,疎密な高階グラフィカルアーキテクチャを特徴とする,新しいディープニューラルネットワークユニットを開発する。
その結果、この新しい設計の利点は、ごく少数のパラメータだけで最先端の機械学習モデルとディープラーニングモデルの結果を結び付けるか、克服することができる。
論文 参考訳（メタデータ） (2023-06-27T09:46:16Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - A Survey on Knowledge integration techniques with Artificial Neural
Networks for seq-2-seq/time series models [0.456877715768796]
ディープニューラルネットワークは、いくつかの領域における未チャージ領域の探索を可能にしている。
しかし、データ不足、データ品質の低さ、ドメインを広くカバーしていないかもしれないデータにより、パフォーマンスは低かった。
本稿では、シークエンス・ツー・シークエンスと時系列モデルのための専門知識をディープニューラルネットワークに統合する手法について検討する。
論文 参考訳（メタデータ） (2020-08-13T15:40:38Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Learning Cross-domain Generalizable Features by Representation
Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。
本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。
本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文 参考訳（メタデータ） (2020-02-29T17:53:16Z) - Neural Architecture Search For Fault Diagnosis [6.226564415963648]
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
論文 参考訳（メタデータ） (2020-02-19T04:03:51Z)
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。