論文の概要: Extending Models Via Gradient Boosting: An Application to Mendelian
Models
- arxiv url: http://arxiv.org/abs/2105.06559v1
- Date: Thu, 13 May 2021 21:21:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 12:37:38.463812
- Title: Extending Models Via Gradient Boosting: An Application to Mendelian
Models
- Title(参考訳): 勾配ブースティングによるモデルの拡張:メンデルモデルへの応用
- Authors: Theodore Huang, Gregory Idos, Christine Hong, Stephen Gruber, Giovanni
Parmigiani, Danielle Braun
- Abstract要約: グラデーションブーストと開発前のモデルを組み合わせてモデル性能を向上させるという、モデル改善の一般的なアプローチを提案します。
既存のメンデルモデルとの勾配ブースティングの統合は、勾配ブースティングだけで構築されたモデルとモデルの両方を上回る改良モデルを生成することができる。
- 参考スコア(独自算出の注目度): 1.9573380763700712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improving existing widely-adopted prediction models is often a more efficient
and robust way towards progress than training new models from scratch. Existing
models may (a) incorporate complex mechanistic knowledge, (b) leverage
proprietary information and, (c) have surmounted barriers to adoption. Compared
to model training, model improvement and modification receive little attention.
In this paper we propose a general approach to model improvement: we combine
gradient boosting with any previously developed model to improve model
performance while retaining important existing characteristics. To exemplify,
we consider the context of Mendelian models, which estimate the probability of
carrying genetic mutations that confer susceptibility to disease by using
family pedigrees and health histories of family members. Via simulations we
show that integration of gradient boosting with an existing Mendelian model can
produce an improved model that outperforms both that model and the model built
using gradient boosting alone. We illustrate the approach on genetic testing
data from the USC-Stanford Cancer Genetics Hereditary Cancer Panel (HCP) study.
- Abstract(参考訳): 既存の広く受け入れられた予測モデルを改善することは、スクラッチから新しいモデルをトレーニングするよりも、進歩に向けて効率的で堅牢な方法であることが多い。
既存のモデルは(a)複雑な機械的知識を取り入れ、(b)プロプライエタリな情報を活用し、(c)導入の障壁を克服することができる。
モデルのトレーニングと比べて、モデルの改善と修正は注意を引かない。
本稿では,従来のモデルとグラデーションブースティングを組み合わせることで,既存の重要な特性を維持しつつ,モデル性能を向上させる手法を提案する。
例として,家族系譜と家族の健康履歴を用いて,疾患感受性を規定する遺伝子変異を携帯する確率を推定するmendelian modelの文脈を考察する。
シミュレーションによって、既存のメンデルモデルとの勾配ブースティングの統合は、そのモデルと勾配ブースティングだけで構築されたモデルの両方を上回る改良されたモデルを生み出すことができることを示します。
本稿では,USC-Stanford Cancer Genetics Hereditary Cancer Panel (HCP) の遺伝子検査データに対するアプローチについて述べる。
関連論文リスト
- MGE: A Training-Free and Efficient Model Generation and Enhancement
Scheme [10.48591131837771]
本稿では,MGE(Merning-free and Efficient Model Generation and Enhancement Scheme)を提案する。
モデル生成プロセスにおいて、モデルパラメータの分布とモデルパフォーマンスの2つの側面を考慮する。
実験の結果、生成したモデルは通常の訓練によって得られたモデルに匹敵し、場合によっては優れていることが示された。
論文 参考訳(メタデータ) (2024-02-27T13:12:00Z) - Improved prediction of ligand-protein binding affinities by
meta-modeling [1.3859669037499769]
我々は,力場に基づく実証ドッキングとシーケンスに基づくディープラーニングモデルを統合するフレームワークを開発した。
メタモデルの多くは,ベースモデルに対する親和性予測を大幅に改善している。
我々の最高のメタモデルは、構造のみに基づく最先端のディープラーニングツールに匹敵するパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-05T23:46:45Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Emerging Patterns in the Continuum Representation of Protein-Lipid
Fingerprints [12.219106300827798]
分子動力学モデルから1次元統計を用いた連続体モデルの性能評価を行った。
本研究では,連続体モデルから複雑かつ創発的な振る舞いを識別する高度予測型分類モデルを開発する。
提案手法は,タンパク質特異的な「脂質指紋」の存在,すなわち関心のあるタンパク質に対する脂質の空間的再構成の存在を確認する。
論文 参考訳(メタデータ) (2022-07-09T20:07:49Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Robustness of Model Predictions under Extension [3.766702945560518]
分析にモデルを使うのに注意すべき点は、予測因果効果と条件独立性はモデル拡張の下では堅牢でないことである。
定性モデル予測のロバスト性を効率的に評価するために,因果順序付け手法の使い方を示す。
平衡の力学系では、新しい洞察が適切なモデル拡張を選択するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-12-08T20:21:03Z) - Improving the Reconstruction of Disentangled Representation Learners via
Multi-Stage Modelling [36.511724015405036]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
モデルが相関変数を学習するのに十分な能力を持っていないため,不整合表現学習と再構成品質のトレードオフがもたらされる。
本稿では,既存の不整合表現学習手法を用いて,非整合因子をまず学習する,新しい多段階モデリング手法を提案する。
提案するマルチステージモデルは,複数の標準ベンチマークにおいて等価なアンタングル性能を有する現在の最先端手法よりも,はるかに高い再現性を有することを示す。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - On the model-based stochastic value gradient for continuous
reinforcement learning [50.085645237597056]
モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。
以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
論文 参考訳(メタデータ) (2020-08-28T17:58:29Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。