論文の概要: Multi-task longitudinal forecasting with missing values on Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2201.05040v1
• Date: Thu, 13 Jan 2022 16:02:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-14 19:26:32.960354
• Title: Multi-task longitudinal forecasting with missing values on Alzheimer's Disease
• Title（参考訳）: アルツハイマー病における多タスク縦断予測の欠如
• Authors: Carlos Sevilla-Salcedo, Vandad Imani, Pablo M. Olmos, Vanessa G\'omez-Verdejo, Jussi Tohka
• Abstract要約: 本稿では、最近発表されたSSHIBAモデルを用いて、長手データ上で異なるタスクを欠落した値で共同学習するフレームワークを提案する。 この方法はベイズ変分推論を用いて、欠落した値をインプットし、複数のビューの情報を組み合わせる。 認知症における診断, 心室容積, 臨床スコアの同時予測に本モデルを適用した。
• 参考スコア（独自算出の注目度）: 4.5855304767722185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning techniques typically applied to dementia forecasting lack in their capabilities to jointly learn several tasks, handle time dependent heterogeneous data and missing values. In this paper, we propose a framework using the recently presented SSHIBA model for jointly learning different tasks on longitudinal data with missing values. The method uses Bayesian variational inference to impute missing values and combine information of several views. This way, we can combine different data-views from different time-points in a common latent space and learn the relations between each time-point while simultaneously modelling and predicting several output variables. We apply this model to predict together diagnosis, ventricle volume, and clinical scores in dementia. The results demonstrate that SSHIBA is capable of learning a good imputation of the missing values and outperforming the baselines while simultaneously predicting three different tasks.
• Abstract（参考訳）: 機械学習の技術は通常、認知症予測能力の欠如に応用され、複数のタスクを共同学習し、時間依存の不均一なデータと不足した値を扱う。 本稿では,最近発表されたSSHIBAモデルを用いて,長手データ上で異なるタスクを学習するフレームワークを提案する。 この方法はベイズ変分推論を用いて、欠落した値をインプットし、複数のビューの情報を組み合わせる。 これにより、共通の潜在空間における異なる時点からの異なるデータビューを結合し、複数の出力変数をモデリングし予測しながら、各時点間の関係を学習することができる。 このモデルを用いて,認知症における診断,心室容積,臨床得点の予測を行う。 その結果, SSHIBAは, 3つのタスクを同時に予測しながら, 欠落した値の適切な計算を学習し, ベースラインよりも優れた性能を発揮することを示した。

関連論文リスト

• A Unified Model for Longitudinal Multi-Modal Multi-View Prediction with Missingness [25.95298616599799]
  本稿では,長手マルチモーダルマルチビュー予測のための統一モデルを提案する。 提案手法は,入力に希望する時間ポイントを最大で確保し,利用可能なデータをすべて活用することを目的としている。 変形性膝関節症とKellgren-Lawrenceグレード予測による膝関節症データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-18T19:51:55Z)
• Comparative study of clustering models for multivariate time series from connected medical devices [0.0]
  予測モデルを用いて、潜在クラスタ空間を形成しながら、将来の値を予測できることが示される。 Withingのデータセット上で、時系列全体をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化するDGM$2$の2つのモデルを比較する。
  論文  参考訳（メタデータ） (2023-12-28T07:37:30Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Multi-view Integration Learning for Irregularly-sampled Clinical Time Series [1.9639092030562577]
  不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。 我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。 我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
  論文  参考訳（メタデータ） (2021-01-25T10:02:50Z)
• Longitudinal Variational Autoencoder [1.4680035572775534]
  不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。 標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。 本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。 我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
  論文  参考訳（メタデータ） (2020-06-17T10:30:14Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Modeling Rare Interactions in Time Series Data Through Qualitative Change: Application to Outcome Prediction in Intensive Care Units [1.0349800230036503]
  本稿では,高次元時系列データから得られる結果の最も高い確率で相互作用を明らかにするためのモデルを提案する。 小さな相互作用の類似テンプレートが結果に寄与するという仮定を用いて、探索タスクを再構成し、データから最も類似したテンプレートを検索する。
  論文  参考訳（メタデータ） (2020-04-03T08:49:40Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。