論文の概要: Optimal sizing of a holdout set for safe predictive model updating
- arxiv url: http://arxiv.org/abs/2202.06374v1
- Date: Sun, 13 Feb 2022 18:04:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 06:42:25.532960
- Title: Optimal sizing of a holdout set for safe predictive model updating
- Title(参考訳): 安全な予測モデル更新のためのホールドアウトセットの最適サイズ
- Authors: Sami Haidar-Wehbe, Samuel R Emerson, Louis J M Aslett, James Liley
- Abstract要約: リスクモデルは、患者データからの洞察を実践者に提供することで介入を導くことができる。
ガイド付き介入の後にモデルが更新される場合、予測に失敗する可能性がある。
モデルによって導かれる介入を受けない集団のサブセットであるホールドアウトセット'の使用は、これを防ぐために提案されている。
- 参考スコア(独自算出の注目度): 0.9749560288448114
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Risk models are becoming ubiquitous in healthcare and may guide intervention
by providing practitioners with insights from patient data. Should a model be
updated after a guided intervention, it may lead to its own failure at making
predictions. The use of a `holdout set' -- a subset of the population that does
not receive interventions guided by the model -- has been proposed to prevent
this. Since patients in the holdout set do not benefit from risk predictions,
the chosen size must trade off maximising model performance whilst minimising
the number of held out patients. By defining a general loss function, we prove
the existence and uniqueness of an optimal holdout set size, and introduce
parametric and semi-parametric algorithms for its estimation. We demonstrate
their use on a recent risk score for pre-eclampsia. Based on these results, we
argue that a holdout set is a safe, viable and easily implemented solution to
the model update problem.
- Abstract(参考訳): リスクモデルは医療においてユビキタスになり、患者データからの洞察を提供することで介入を導く可能性がある。
モデルがガイドされた介入後に更新されると、予測を行うのに失敗する可能性がある。
モデルによって導かれる介入を受けない集団のサブセットである「ホールドアウトセット」の使用がこれを防ぐために提案されている。
ホールドアウトセットの患者はリスク予測の恩恵を受けないため、ホールドアウトセットの患者数を最小限に抑えながら、モデルパフォーマンスの最大化をトレードオフしなければならない。
一般損失関数を定義することにより、最適ホールドアウト集合サイズの存在と一意性を証明し、その推定にパラメトリックおよびセミパラメトリックアルゴリズムを導入する。
われわれは,近年の予防接種前のリスクスコアを実証した。
これらの結果に基づき、ホールドアウトセットはモデル更新問題に対する安全で実行可能で実装が容易なソリューションであると主張する。
関連論文リスト
- Mitigating optimistic bias in entropic risk estimation and optimization with an application to insurance [5.407319151576265]
エントロピーリスク尺度は、不確実な損失に関連する尾のリスクを説明するために広く使用されている。
経験的エントロピーリスク推定器のバイアスを軽減するために, 強く一貫したブートストラップ手法を提案する。
当社の手法は、住宅所有者に対してより高い(そしてより正確な)プレミアムを示唆している。
論文 参考訳(メタデータ) (2024-09-30T04:02:52Z) - Teaching Models To Survive: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
データが正しい検閲された場合、サバイバル分析は「イベントの時間」を計算することができる。
我々は,データの部分に対して最適化可能な,厳格に適切な検閲調整付き分離可能なスコアリングルールを導入する。
11の最先端モデルと比較して、このモデルであるMulti Incidenceは、生存率と競合するリスクの確率を推定するのに最適である。
論文 参考訳(メタデータ) (2024-06-20T08:00:42Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳(メタデータ) (2023-12-07T15:55:58Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳(メタデータ) (2023-04-26T15:54:23Z) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳(メタデータ) (2021-07-05T21:05:11Z) - Minimax Off-Policy Evaluation for Multi-Armed Bandits [58.7013651350436]
有界報酬を用いたマルチアームバンディットモデルにおけるオフポリシー評価の問題点について検討する。
3つの設定でミニマックスレート・オプティマティックな手順を開発。
論文 参考訳(メタデータ) (2021-01-19T18:55:29Z) - WRSE -- a non-parametric weighted-resolution ensemble for predicting
individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。
現状の確率モデルと競合する結果を示すとともに,2~9倍のトレーニング時間を大幅に短縮する。
論文 参考訳(メタデータ) (2020-11-02T10:13:59Z) - 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) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳(メタデータ) (2020-02-29T22:41:21Z) - Orthogonal Statistical Learning [49.55515683387805]
人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。
人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
論文 参考訳(メタデータ) (2019-01-25T02:21:24Z)
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。