論文の概要: Learning Optimal Predictive Checklists

• arxiv url: http://arxiv.org/abs/2112.01020v1
• Date: Thu, 2 Dec 2021 07:15:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 16:56:15.784716
• Title: Learning Optimal Predictive Checklists
• Title（参考訳）: 最適予測チェックリストの学習
• Authors: Haoran Zhang, Quaid Morris, Berk Ustun, Marzyeh Ghassemi
• Abstract要約: 予測チェックリストを2値特徴と単位重みを持つ離散線形分類器として表現する。 次に、整数計画問題の解法により、データからグローバルに最適な予測チェックリストを学習する。 以上の結果から,提案手法はシンプルな予測チェックリストに適合し,よりリッチなカスタム制約に従うように容易にカスタマイズできることがわかった。
• 参考スコア（独自算出の注目度）: 22.91829410102425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Checklists are simple decision aids that are often used to promote safety and reliability in clinical applications. In this paper, we present a method to learn checklists for clinical decision support. We represent predictive checklists as discrete linear classifiers with binary features and unit weights. We then learn globally optimal predictive checklists from data by solving an integer programming problem. Our method allows users to customize checklists to obey complex constraints, including constraints to enforce group fairness and to binarize real-valued features at training time. In addition, it pairs models with an optimality gap that can inform model development and determine the feasibility of learning sufficiently accurate checklists on a given dataset. We pair our method with specialized techniques that speed up its ability to train a predictive checklist that performs well and has a small optimality gap. We benchmark the performance of our method on seven clinical classification problems, and demonstrate its practical benefits by training a short-form checklist for PTSD screening. Our results show that our method can fit simple predictive checklists that perform well and that can easily be customized to obey a rich class of custom constraints.
• Abstract（参考訳）: チェックリストは単純な意思決定支援であり、臨床応用における安全性と信頼性を促進するためにしばしば使用される。 本稿では,臨床判断支援のためのチェックリストを学習する手法を提案する。 予測チェックリストを2値特徴と単位重みを持つ離散線形分類器として表現する。 次に整数計画問題を解くことで,データからグローバルに最適な予測チェックリストを学習する。 本手法では,ユーザが複雑な制約に従うためにチェックリストをカスタマイズし,グループフェア性を強制する制約や,トレーニング時に実価値を二元化することができる。 さらに、モデル開発に通知し、与えられたデータセット上で十分な正確なチェックリストを学習する可能性を決定する最適なギャップをモデルと組み合わせます。 我々は,予測チェックリストの学習能力を向上し,性能が良く,最適性のギャップが小さい特殊な手法と組み合わせる。 本手法の性能を7つの臨床分類問題で評価し,ptsdスクリーニングのための短形態チェックリストを訓練することにより,その実用性を示す。 以上の結果から,提案手法はシンプルな予測チェックリストに適合し,よりリッチなカスタム制約に従うように容易にカスタマイズできることがわかった。

関連論文リスト

• Anytime Continual Learning for Open Vocabulary Classification [15.228942895385432]
  AnytimeCLの問題は、バッチトレーニングと厳格なモデルから切り離すことだ。 本研究では,部分的に微調整されたモデルの予測と固定された開語彙モデルとの動的重み付けを提案する。 提案手法は,学習と推論の柔軟性をテストする実験によって検証される。
  論文  参考訳（メタデータ） (2024-09-13T03:34:37Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Socratic Pretraining: Question-Driven Pretraining for Controllable Summarization [89.04537372465612]
  ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。 以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
  論文  参考訳（メタデータ） (2022-12-20T17:27:10Z)
• Learning predictive checklists from continuous medical data [5.37133760455631]
  チェックリストは、その有効性と高い解釈性により、日常的な臨床実践で非常に人気がある。 最近の研究は、カテゴリーデータから予測チェックリストを学習することで、その方向への一歩を踏み出した。 この拡張は、敗血症の予測に基づいて、さまざまな説明可能な機械学習ベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-11-14T02:51:04Z)
• Query-Adaptive Predictive Inference with Partial Labels [0.0]
  ブラックボックス予測モデル上に部分的にラベル付けされたデータのみを用いて予測集合を構築する新しい手法を提案する。 我々の実験は、予測セット構築の有効性と、よりフレキシブルなユーザ依存損失フレームワークの魅力を強調した。
  論文  参考訳（メタデータ） (2022-06-15T01:48:42Z)
• Leveraging Time Irreversibility with Order-Contrastive Pre-training [3.1848820580333737]
  時系列データに基づく自己教師付き事前学習のための「順序コントラスト」手法について検討する。 本研究では,順序コントラスト事前学習で学習した表現の下流誤差に対する有限サンプル保証を証明した。 この結果から,特定の分布クラスや下流タスクのために設計された事前学習手法が,自己指導型学習の性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-11-04T02:56:52Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Improving the compromise between accuracy, interpretability and personalization of rule-based machine learning in medical problems [0.08594140167290096]
  特定の患者に対してルールが正しいか否かを予測するための新しいコンポーネントを導入し、その手順にパーソナライズを導入する。 3つの公開臨床データセットを用いた検証結果から,選択したルールセットの予測性能の向上も可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-15T01:19:04Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。