論文の概要: Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature
Selection
- arxiv url: http://arxiv.org/abs/2105.02693v1
- Date: Tue, 4 May 2021 21:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 04:37:35.793035
- Title: Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature
Selection
- Title(参考訳): 不確かさを意識した乳がん診断の特徴選択
- Authors: Jia-Xing Zhong, Hongbo Zhang
- Abstract要約: 医療問題の予測的信頼性を定量化する不確実性認識指標を提示する。
UCI-WDBCデータセットに関する広範な実験を行った。
- 参考スコア(独自算出の注目度): 8.469461306404487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present an uncertainty-aware INVASE to quantify predictive
confidence of healthcare problem. By introducing learnable Gaussian
distributions, we lever-age their variances to measure the degree of
uncertainty. Based on the vanilla INVASE, two additional modules are proposed,
i.e., an uncertainty quantification module in the predictor, and a reward
shaping module in the selector. We conduct extensive experiments on UCI-WDBC
dataset. Notably, our method eliminates almost all predictive bias with only
about 20% queries, while the uncertainty-agnostic counterpart requires nearly
100% queries. The open-source implementation with a detailed tutorial is
available at
https://github.com/jx-zhong-for-academic-purpose/Uncertainty-aware-INVASE/blob/main/tutorialinvase%2 B.ipynb.
- Abstract(参考訳): 本稿では,医療問題の予測信頼度を定量化する不確実性を考慮したINVASEを提案する。
学習可能なガウス分布を導入することで、不確かさの程度を測定するためにそれらの分散をレバーアージする。
バニラINVASEに基づいて、予測器における不確実な定量化モジュールとセレクタにおける報酬形成モジュールという2つの追加モジュールが提案されている。
UCI-WDBCデータセットに関する広範な実験を行った。
特に,提案手法は,約20%のクエリでほぼすべての予測バイアスを除去するが,不確実性には100%に近いクエリを必要とする。
詳細なチュートリアルを備えたオープンソース実装は、https://github.com/jx-zhong-for-academic-purpose/uncertainty-aware-invase/blob/main/tutorialinvase%2 b.ipynbで入手できる。
関連論文リスト
- Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。
我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
論文 参考訳(メタデータ) (2023-11-26T22:47:54Z) - Unified Uncertainty Calibration [43.733911707842005]
不確実性校正(U2C:emphunified uncertainty calibration)は、アレタリックと不確実性を組み合わせた総合的な枠組みである。
U2Cは、不確実性推定のクリーンな学習理論分析を可能にし、さまざまなImageNetベンチマークでリジェクションや分類よりも優れている。
論文 参考訳(メタデータ) (2023-10-02T13:42:36Z) - Probabilistic Attention based on Gaussian Processes for Deep Multiple
Instance Learning [12.594098548008832]
本稿では,深いMILのためのガウス過程に基づく新しい確率的注意機構であるアテンションガウス過程(AGP)モデルを紹介する。
AGPは正確なバッグレベルの予測とインスタンスレベルの説明可能性を提供し、エンドツーエンドでトレーニングすることができる。
予測の不確実性は誤った予測のリスクと相関していることを実験的に示す。
論文 参考訳(メタデータ) (2023-02-08T13:58:11Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection [0.0]
不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
論文 参考訳(メタデータ) (2021-09-20T08:50:21Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Recalibration of Aleatoric and Epistemic Regression Uncertainty in
Medical Imaging [2.126171264016785]
回帰における不確実性は、信頼できない予測の堅牢な拒絶や、分布外サンプルの検出を可能にする。
sigma $ scalingは予測の不確実性を確実に再調整することができる。
論文 参考訳(メタデータ) (2021-04-26T07:18:58Z) - Distribution-free uncertainty quantification for classification under
label shift [105.27463615756733]
2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。
まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。
これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
論文 参考訳(メタデータ) (2021-03-04T20:51:03Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。