論文の概要: Active Learning-Based Multistage Sequential Decision-Making Model with Application on Common Bile Duct Stone Evaluation

• arxiv url: http://arxiv.org/abs/2201.04807v1
• Date: Thu, 13 Jan 2022 06:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-14 14:07:34.548973
• Title: Active Learning-Based Multistage Sequential Decision-Making Model with Application on Common Bile Duct Stone Evaluation
• Title（参考訳）: アクティブラーニングに基づく多段階連続決定モデルと共通管石評価への応用
• Authors: Hongzhen Tian, Reuven Zev Cohen, Chuck Zhang, Yajun Mei
• Abstract要約: 多段階の意思決定シナリオは、医療診断プロセスで一般的に見られる。 本稿では,必要な患者データのみを逐次的に収集する能動的学習法を開発した。 本手法の有効性をシミュレーション研究と実例研究の両方で検証した。
• 参考スコア（独自算出の注目度）: 8.296821186083974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multistage sequential decision-making scenarios are commonly seen in the healthcare diagnosis process. In this paper, an active learning-based method is developed to actively collect only the necessary patient data in a sequential manner. There are two novelties in the proposed method. First, unlike the existing ordinal logistic regression model which only models a single stage, we estimate the parameters for all stages together. Second, it is assumed that the coefficients for common features in different stages are kept consistent. The effectiveness of the proposed method is validated in both a simulation study and a real case study. Compared with the baseline method where the data is modeled individually and independently, the proposed method improves the estimation efficiency by 62\%-1838\%. For both simulation and testing cohorts, the proposed method is more effective, stable, interpretable, and computationally efficient on parameter estimation. The proposed method can be easily extended to a variety of scenarios where decision-making can be done sequentially with only necessary information.
• Abstract（参考訳）: 多段階の意思決定シナリオは、医療診断プロセスで一般的に見られる。 本稿では,必要な患者データのみを逐次的に収集する能動的学習法を開発した。 提案手法には2つの新点がある。 まず、1つのステージのみをモデル化する既存の順序ロジスティック回帰モデルとは異なり、各ステージのパラメータをまとめて推定する。 第二に、異なる段階における共通特徴の係数は一貫していると仮定する。 本手法の有効性をシミュレーション研究と実例研究の両方で検証した。 データを個別に独立にモデル化するベースライン法と比較して,提案手法は推定効率を62\%-1838\%向上させる。 シミュレーションとテストのコホートの両方において,提案手法はパラメータ推定においてより効率的で安定であり,解釈可能であり,計算効率が高い。 提案手法は,必要な情報だけで意思決定を順次行うことができる様々なシナリオに容易に拡張できる。

関連論文リスト

• Robust CATE Estimation Using Novel Ensemble Methods [0.8246494848934447]
  臨床治験における条件平均治療効果(CATE)の評価は治療効果の不均一性の理解に不可欠である。 本研究は,多種多様なシナリオにまたがって,因果林や多種多様なメタラーナーなどの共通手法の性能を評価する。 予測安定性と性能を向上させるために,複数の推定器を統合する2つの新しいアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T07:23:02Z)
• Globally-Optimal Greedy Experiment Selection for Active Sequential Estimation [1.1530723302736279]
  逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。 目標は、より正確なモデル推定のための実験選択ルールを設計することである。 そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
  論文  参考訳（メタデータ） (2024-02-13T17:09:29Z)
• An Information-Theoretic Approach for Estimating Scenario Generalization in Crowd Motion Prediction [27.10815774845461]
  本稿では,ソース・クラウド・シナリオに基づいて学習したモデルの一般化を特徴付ける新しいスコアリング手法を提案する。 インタラクションコンポーネントはシナリオドメインの難易度を特徴付けることを目的としており、シナリオドメインの多様性はダイバーシティスコアで取得される。 提案手法の有効性をシミュレーションおよび実世界(ソース,ターゲット)の一般化タスクで検証した。
  論文  参考訳（メタデータ） (2022-11-02T01:39:30Z)
• Random Actions vs Random Policies: Bootstrapping Model-Based Direct Policy Search [0.0]
  本稿では,初期データ収集手法がその後の力学モデルの学習に与える影響について検討する。 ダイナミクスモデルは、モデル上で直接ポリシー探索を行うために、与えられたタスクの真の遷移関数を近似する。
  論文  参考訳（メタデータ） (2022-10-21T08:26:10Z)
• Coordinated Double Machine Learning [8.808993671472349]
  本稿では、ディープニューラルネットワークのための注意深く調整された学習アルゴリズムにより、推定バイアスを低減できると主張している。 シミュレーションデータと実データの両方を用いた数値実験により,提案手法の実証性能が向上したことを示す。
  論文  参考訳（メタデータ） (2022-06-02T05:56:21Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• 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)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。