論文の概要: Latent Factor Decomposition Model: Applications for Questionnaire Data

• arxiv url: http://arxiv.org/abs/2104.15106v1
• Date: Fri, 30 Apr 2021 16:40:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 13:34:19.732105
• Title: Latent Factor Decomposition Model: Applications for Questionnaire Data
• Title（参考訳）: 潜在因子分解モデル:アンケートデータへの応用
• Authors: Connor J. McLaughlin, Efi G. Kokkotou, Jean A. King, Lisa A. Conboy, Ali Yousefi
• Abstract要約: 本稿では,要素不足を伴う分類データと量的データの両方に対する主成分分析を拡張する潜在因子モデリングフレームワークを提案する。 本研究は,Irritable Bowel Syndrome (IBS) 症状を応用し,これらのプロジェクションと他の標準化された患者症状尺度との相関関係を見いだした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The analysis of clinical questionnaire data comes with many inherent challenges. These challenges include the handling of data with missing fields, as well as the overall interpretation of a dataset with many fields of different scales and forms. While numerous methods have been developed to address these challenges, they are often not robust, statistically sound, or easily interpretable. Here, we propose a latent factor modeling framework that extends the principal component analysis for both categorical and quantitative data with missing elements. The model simultaneously provides the principal components (basis) and each patients' projections on these bases in a latent space. We show an application of our modeling framework through Irritable Bowel Syndrome (IBS) symptoms, where we find correlations between these projections and other standardized patient symptom scales. This latent factor model can be easily applied to different clinical questionnaire datasets for clustering analysis and interpretable inference.
• Abstract（参考訳）: 臨床アンケートデータの分析には、多くの固有の課題が伴う。 これらの課題には、欠落したフィールドによるデータの処理や、さまざまなスケールとフォームのフィールドを持つデータセットの全体的な解釈が含まれる。 これらの課題に対処するために多くの方法が開発されてきたが、しばしば頑丈でない、統計的に健全で、容易に解釈できる。 本稿では,要素不足を伴う分類データと量的データの両方に対する主成分分析を拡張する潜在因子モデリングフレームワークを提案する。 このモデルは、各患者が潜伏空間においてこれらの基盤に投射する主成分(基底)を同時に提供する。 本研究は,Irritable Bowel Syndrome (IBS) 症状を応用し,これらのプロジェクションと他の標準化された患者症状尺度との相関関係を見いだした。 この潜在因子モデルは、クラスタリング分析と解釈可能な推論のために、異なる臨床アンケートデータセットに容易に適用できる。

関連論文リスト

• Cross-Dataset Generalization For Retinal Lesions Segmentation [2.1160877779256126]
  本研究は,複数の既知のデータセットを特徴付け,モデルの一般化性能を向上させるために提案された様々な手法を比較する。 以上の結果から,粗いラベル付きデータを微細なデータセットと組み合わせて病変のセグメンテーションを改善する方法についての知見が得られた。
  論文  参考訳（メタデータ） (2024-05-14T05:52:01Z)
• Bayesian inference of a new Mallows model for characterising symptom sequences applied in primary progressive aphasia [0.13499500088995461]
  症状列の特徴付けのためのベイズ推定について検討する。 我々は、部分的なランク付けと右検閲データを考慮するために、Mallowsモデルを適用する。 これは症状発生の臨床的理解を高める可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-22T14:16:20Z)
• Bayesian Models of Functional Connectomics and Behavior [0.0]
  共同表現学習と予測のための完全ベイズ的定式化を提案する。 自閉症スペクトラム障害患者に対するr-fMRIの有用性について検討した。
  論文  参考訳（メタデータ） (2023-01-15T20:42:31Z)
• Data-IQ: Characterizing subgroups with heterogeneous outcomes in tabular data [81.43750358586072]
  本稿では,サンプルをサブグループに体系的に階層化するフレームワークであるData-IQを提案する。 実世界の4つの医療データセットに対するData-IQの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2022-10-24T08:57:55Z)
• Interpretable Models Capable of Handling Systematic Missingness in Imbalanced Classes and Heterogeneous Datasets [0.0]
  解釈可能な機械学習技術の医療データセットへの応用は、データのより深い洞察を得るとともに、早期かつ迅速な診断を容易にする。 医療データセットは、異種測定、サンプルサイズが制限された不均衡クラス、欠落データなどの一般的な問題に直面している。 本稿では,これらの問題に対処可能なプロトタイプベース (PB) 解釈モデル群を提案する。
  論文  参考訳（メタデータ） (2022-06-04T20:20:39Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• 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)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• 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)

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。