Fugu-MT 論文翻訳(概要): AI Gone Astray: Technical Supplement

論文の概要: AI Gone Astray: Technical Supplement

arxiv url: http://arxiv.org/abs/2203.16452v1
Date: Tue, 1 Mar 2022 02:00:49 GMT
ステータス: 処理完了
システム内更新日: 2022-04-03 20:31:53.066151
Title: AI Gone Astray: Technical Supplement
Title（参考訳）: AI Gone Astray - 技術的サプリメント
Authors: Janice Yang, Ludvig Karstens, Casey Ross, Adam Yala
Abstract要約: 本研究では, 臨床応用機械学習モデルに対する時間的ドリフトの影響について検討した。 Epicの機能は0.729 AUCから0.525 AUCに10年かけて劣化している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study is a technical supplement to "AI gone astray: How subtle shifts in patient data send popular algorithms reeling, undermining patient safety." from STAT News, which investigates the effect of time drift on clinically deployed machine learning models. We use MIMIC-IV, a publicly available dataset, to train models that replicate commercial approaches by Dascena and Epic to predict the onset of sepsis, a deadly and yet treatable condition. We observe some of these models degrade overtime; most notably an RNN built on Epic features degrades from a 0.729 AUC to a 0.525 AUC over a decade, leading us to investigate technical and clinical drift as root causes of this performance drop.
Abstract（参考訳）: この研究は、"ai gone astray: how subtle shifts in patient data sent popular algorithms reeling, undermining patient safety"の技術的サプリメントである。stat newsは、臨床的にデプロイされた機械学習モデルに対する時間ドリフトの影響を調査している。私たちは、公開データセットであるimmitt-ivを使用して、dascenaとepicによる商用アプローチを再現したモデルを訓練し、致命的かつ扱いやすい状態である敗血症の発生を予測する。もっとも注目すべきは、エピック機能上に構築されたrnnは、0.729 aucから0.525 aucに10年以上にわたって劣化し、パフォーマンス低下の根本原因として技術的および臨床的ドリフトを調査したことです。

関連論文リスト

REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。本モデルは,発作検出と分類作業において高い精度を示す。
論文参考訳（メタデータ） (2024-06-03T16:30:19Z)
A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values [0.9349653765341301]
非小細胞肺癌(NSCLC)患者の生存率を低下させる新しい治療法を提案する。このモデルはトランスアーキテクチャの強みを利用して、計算戦略を必要とせずに利用可能な機能のみを考慮します。検閲された患者と無検閲の患者の両方、そして時間の経過とともにリスクの変化を説明できる。
論文参考訳（メタデータ） (2023-07-21T10:01:55Z)
Exploring a Gradient-based Explainable AI Technique for Time-Series Data: A Case Study of Assessing Stroke Rehabilitation Exercises [5.381004207943597]
本稿では、弱い教師付きモデルと勾配に基づく説明可能なAI技術を利用するしきい値に基づく手法について述べる。この結果は,時系列データに対する勾配に基づく説明可能なAI手法の可能性を示した。
論文参考訳（メタデータ） (2023-05-08T08:30:05Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Efficiently Training Vision Transformers on Structural MRI Scans for Alzheimer's Disease Detection [2.359557447960552]
ビジョントランスフォーマー(ViT)は近年、コンピュータビジョンアプリケーションのためのCNNの代替として登場した。難易度に基づいて,脳神経画像の下流タスクに対するViTアーキテクチャの変種を検証した。合成および実MRIスキャンで事前訓練した微調整型視覚変換器モデルを用いて、5%と9-10%の性能向上を実現した。
論文参考訳（メタデータ） (2023-03-14T20:18:12Z)
Get your Foes Fooled: Proximal Gradient Split Learning for Defense against Model Inversion Attacks on IoMT data [5.582293277542012]
本研究では,モデル反転攻撃に対する防御のための近勾配分割学習(PSGL)手法を提案する。本稿では,勾配マップの復元に近似勾配法を用い,認識性能を向上させるための決定レベル融合戦略を提案する。
論文参考訳（メタデータ） (2022-01-12T17:01:19Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文参考訳（メタデータ） (2021-05-18T15:13:00Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Deep Contextual Clinical Prediction with Reverse Distillation [3.6700088931938835]
本稿では,高性能線形モデルを用いて深部モデルの事前学習を行うReverse Distillationという新しい手法を提案する。我々は、保険請求データセットの長手構造を利用して、逆蒸留(SARD)による自己注意(Self Attention with Reverse Distillation)を開発する。 SARDは、複数の臨床予測結果に対して最先端の手法より優れている。
論文参考訳（メタデータ） (2020-07-10T21:10:34Z)

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。