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
- Integrating Large Language Models for Genetic Variant Classification [12.244115429231888]
大型言語モデル (LLM) は遺伝学においてトランスフォーメーションツールとして登場した。
本研究では,GPN-MSA,ESM1b,AlphaMissenseを含む最先端LLMの統合について検討した。
提案手法は,よく注釈付けされたProteinGymとClinVarのデータセットを用いて,これらの統合モデルを評価する。
論文 参考訳(メタデータ) (2024-11-07T13:45:56Z) - Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳(メタデータ) (2024-11-02T07:06:53Z) - Exploring Model Kinship for Merging Large Language Models [52.01652098827454]
本稿では,大規模言語モデル間の類似性や関連性の程度であるモデル親和性を紹介する。
モデル統合後の性能向上とモデル親和性の間には,一定の関係があることが判明した。
我々は新しいモデルマージ戦略を提案する。Top-k Greedy Merging with Model Kinship。
論文 参考訳(メタデータ) (2024-10-16T14:29:29Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳(メタデータ) (2024-05-30T03:57:29Z) - 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。
メタモデルの多くが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ことを示す。
我々の最高のメタモデルは、3D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性能を達成する。
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) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
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。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - 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。