論文の概要: Towards modelling hazard factors in unstructured data spaces using
gradient-based latent interpolation
- arxiv url: http://arxiv.org/abs/2110.11312v1
- Date: Thu, 21 Oct 2021 17:46:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 18:37:21.383951
- Title: Towards modelling hazard factors in unstructured data spaces using
gradient-based latent interpolation
- Title(参考訳): 勾配型潜在補間を用いた非構造データ空間のハザード要因のモデル化
- Authors: Tobias Weber, Michael Ingrisch, Bernd Bischl, David R\"ugamer
- Abstract要約: 生存分析(SA)における深層学習の適用は、従来の生存法では珍しい非構造的・高次元データ型を利用する機会を与える。
これにより、デジタルヘルス、予測保守、チャーン分析などの分野の手法を進歩させることができる。
本研究では,1)生存目標を持つマルチタスク可変オートエンコーダ (VAE) と,2) 元のデータ空間における危険因子をモデル化可能な新しい手法HazardWalkを提案する。
- 参考スコア(独自算出の注目度): 2.3867305921818573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of deep learning in survival analysis (SA) gives the
opportunity to utilize unstructured and high-dimensional data types uncommon in
traditional survival methods. This allows to advance methods in fields such as
digital health, predictive maintenance and churn analysis, but often yields
less interpretable and intuitively understandable models due to the black-box
character of deep learning-based approaches. We close this gap by proposing 1)
a multi-task variational autoencoder (VAE) with survival objective, yielding
survival-oriented embeddings, and 2) a novel method HazardWalk that allows to
model hazard factors in the original data space. HazardWalk transforms the
latent distribution of our autoencoder into areas of maximized/minimized hazard
and then uses the decoder to project changes to the original domain. Our
procedure is evaluated on a simulated dataset as well as on a dataset of CT
imaging data of patients with liver metastases.
- Abstract(参考訳): 生存分析(SA)における深層学習の適用は、従来の生存法では珍しい非構造的・高次元データ型を利用する機会を与える。
これにより、デジタルヘルス、予測保守、チャーン分析などの分野の手法を進化させることができるが、深層学習に基づくアプローチのブラックボックス特性のため、解釈が低く直感的に理解できるモデルが得られることが多い。
私たちはこのギャップを提案によって埋める
1)生存目標を有するマルチタスク変分オートエンコーダ(VAE)で、生存指向の埋め込みを実現し、
2)元のデータ空間における危険因子をモデル化する新しい手法HazardWalk。
HazardWalkは、オートエンコーダの潜伏分布を最大化/最小化の領域に変換し、デコーダを使用して元のドメインの変更を投影します。
本手法は肝転移患者のCT画像データとシミュレーションデータセットを用いて評価した。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU [2.9404725327650767]
そこで我々は,DySurvと呼ばれる条件付き変分オートエンコーダ方式を提案する。
DySurvは、患者の電子健康記録からの静的および時系列測定を組み合わせて、死のリスクを動的に見積もっている。
DySurvの予測能力は一貫しており、生存確率は異なるデータセットに分散している。
論文 参考訳(メタデータ) (2023-10-28T11:29:09Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Drug Discovery under Covariate Shift with Domain-Informed Prior
Distributions over Functions [30.305418761024143]
実世界の薬物発見タスクは、しばしばラベル付きデータの不足とかなりの範囲のデータによって特徴づけられる。
我々は、データ生成プロセスの明示的な事前知識を事前分布にエンコードする原理的な方法を提案する。
我々は,Q-SAVIを組み込んで,事前知識のような化学空間をモデリングプロセスに組み込むことで,相当な精度と校正が可能であることを実証した。
論文 参考訳(メタデータ) (2023-07-14T05:01:10Z) - Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion
Sequence in Complex Scenarios [0.0]
転がり軸受は回転機械において重要な要素であり、その欠陥は深刻な損傷を引き起こす可能性がある。
異常の早期発見は破滅的な事故を防ぐために不可欠である。
従来のインテリジェントな手法は時系列データを解析するのに用いられてきたが、現実のシナリオでは、センサデータはノイズが多く、時間領域で正確に特徴付けることはできない。
本稿では,産業シナリオに展開するためのマルチスケール機能融合モデルとディープラーニング圧縮技術を用いて,畳み込みニューラルネットワークの改良手法を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:05:50Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - A Variational Bayesian Approach to Learning Latent Variables for
Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。
我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文 参考訳(メタデータ) (2021-10-16T15:54:01Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳(メタデータ) (2020-08-17T15:49:30Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2020-07-26T21:01:49Z)
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。