論文の概要: A Novel Tropical Geometry-based Interpretable Machine Learning Method:
Application in Prognosis of Advanced Heart Failure
- arxiv url: http://arxiv.org/abs/2112.05071v1
- Date: Thu, 9 Dec 2021 17:53:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 15:27:40.678706
- Title: A Novel Tropical Geometry-based Interpretable Machine Learning Method:
Application in Prognosis of Advanced Heart Failure
- Title(参考訳): 新しい熱帯幾何に基づく解釈型機械学習法:高度心不全の診断への応用
- Authors: Heming Yao, Harm Derksen, Jessica R. Golbus, Justin Zhang, Keith D.
Aaronson, Jonathan Gryak, and Kayvan Najarian
- Abstract要約: 臨床診断支援システムなどの多くの実用化には,モデルの解釈可能性が不可欠である。
人間の理解可能なルールにおける入力変数と応答の関係をモデル化する,新しい解釈可能な機械学習手法を提案する。
- 参考スコア(独自算出の注目度): 4.159216572695661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A model's interpretability is essential to many practical applications such
as clinical decision support systems. In this paper, a novel interpretable
machine learning method is presented, which can model the relationship between
input variables and responses in humanly understandable rules. The method is
built by applying tropical geometry to fuzzy inference systems, wherein
variable encoding functions and salient rules can be discovered by supervised
learning. Experiments using synthetic datasets were conducted to investigate
the performance and capacity of the proposed algorithm in classification and
rule discovery. Furthermore, the proposed method was applied to a clinical
application that identified heart failure patients that would benefit from
advanced therapies such as heart transplant or durable mechanical circulatory
support. Experimental results show that the proposed network achieved great
performance on the classification tasks. In addition to learning humanly
understandable rules from the dataset, existing fuzzy domain knowledge can be
easily transferred into the network and used to facilitate model training. From
our results, the proposed model and the ability of learning existing domain
knowledge can significantly improve the model generalizability. The
characteristics of the proposed network make it promising in applications
requiring model reliability and justification.
- Abstract(参考訳): 臨床診断支援システムなどの多くの実用化には,モデルの解釈可能性が不可欠である。
本稿では,人間の理解可能なルールにおける入力変数と応答の関係をモデル化する,新しい解釈可能な機械学習手法を提案する。
この方法はファジィ推論システムに熱帯幾何学を適用して構築され、教師あり学習により可変符号化関数と有能な規則を発見できる。
分類とルール発見における提案アルゴリズムの性能と能力を検討するために,合成データセットを用いた実験を行った。
さらに, 心臓移植や持続的機械的循環支援などの先進療法の恩恵を受ける心不全患者を同定する臨床応用に本法を適用した。
実験の結果,提案ネットワークは分類タスクにおいて優れた性能を得た。
データセットから人間の理解可能なルールを学ぶことに加えて、既存のファジィドメインの知識をネットワークに簡単に転送でき、モデルトレーニングを容易にするために使うことができる。
提案するモデルと既存のドメイン知識を学習する能力は,モデル一般化可能性を大幅に向上させることができる。
提案するネットワークの特性は,モデルの信頼性と正当性を必要とするアプリケーションにおいて有望である。
関連論文リスト
- Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T17:07:33Z) - 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) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Interpretable Meta-Learning of Physical Systems [4.343110120255532]
最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。
我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。
本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
論文 参考訳(メタデータ) (2023-12-01T10:18:50Z) - Nonparametric Additive Value Functions: Interpretable Reinforcement
Learning with an Application to Surgical Recovery [8.890206493793878]
強化学習における解釈可能な値関数を推定するための非パラメトリック加算モデルを提案する。
提案手法をシミュレーション研究により検証し, 脊椎疾患への応用として, 臨床知識に根ざしたリカバリレコメンデーションを明らかにする。
論文 参考訳(メタデータ) (2023-08-25T02:05:51Z) - An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。
モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
論文 参考訳(メタデータ) (2023-08-20T15:22:08Z) - FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。
FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文 参考訳(メタデータ) (2021-06-24T15:38:34Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Identifying Learning Rules From Neural Network Observables [26.96375335939315]
学習ルールの異なるクラスは、重み、アクティベーション、即時的な階層的活動変化の集計統計に基づいてのみ分離可能であることを示す。
本研究は, シナプス後活動の電気生理学的記録から得られる活性化パターンが, 学習規則の同定に有効であることを示すものである。
論文 参考訳(メタデータ) (2020-10-22T14:36:54Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳(メタデータ) (2020-05-02T06:41:20Z)
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。