論文の概要: Temporal Label Smoothing for Early Prediction of Adverse Events
- arxiv url: http://arxiv.org/abs/2208.13764v1
- Date: Mon, 29 Aug 2022 17:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:20:51.093424
- Title: Temporal Label Smoothing for Early Prediction of Adverse Events
- Title(参考訳): 事象早期予測のための時間ラベル平滑化
- Authors: Hugo Y\`eche, Aliz\'ee Pace, Gunnar R\"atsch, Rita Kuznetsova
- Abstract要約: 興味ある事象に近接する関数として滑らかな強度を調節する新しい学習戦略であるTLSを提案する。
本手法は, 偽アラーム率の低いイベントリコールなどの臨床関連指標の性能を著しく向上させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Models that can predict adverse events ahead of time with low false-alarm
rates are critical to the acceptance of decision support systems in the medical
community. This challenging machine learning task remains typically treated as
simple binary classification, with few bespoke methods proposed to leverage
temporal dependency across samples. We propose Temporal Label Smoothing (TLS),
a novel learning strategy that modulates smoothing strength as a function of
proximity to the event of interest. This regularization technique reduces model
confidence at the class boundary, where the signal is often noisy or
uninformative, thus allowing training to focus on clinically informative data
points away from this boundary region. From a theoretical perspective, we also
show that our method can be framed as an extension of multi-horizon prediction,
a learning heuristic proposed in other early prediction work. TLS empirically
matches or outperforms considered competing methods on various early prediction
benchmark tasks. In particular, our approach significantly improves performance
on clinically-relevant metrics such as event recall at low false-alarm rates.
- Abstract(参考訳): 医療コミュニティにおける意思決定支援システムの受容には,非武装率の低い事前の有害事象を予測できるモデルが不可欠である。
この困難な機械学習タスクは、通常、単純なバイナリ分類として扱われるが、サンプル間の時間依存性を活用するために提案される方法は少ない。
本研究では,興味のある事象に近接する関数として,平滑化強度を変調する新しい学習戦略であるtemporal label smoothing (tls)を提案する。
この正規化技術は、信号がしばしばノイズまたは非情報的であるクラス境界におけるモデルの信頼性を低下させ、この境界領域から離れた臨床的に情報的データポイントに焦点を合わせることができる。
理論的観点からは,本手法は,他の早期予測作業において提案された学習ヒューリスティックであるマルチホライズン予測の拡張であることを示す。
TLSは、様々な早期予測ベンチマークタスクにおいて競合する手法を実証的に比較または性能的に比較した。
特にこのアプローチは,偽装率の低いイベントリコールなどの臨床関連指標のパフォーマンスを著しく向上させる。
関連論文リスト
- Distribution-Free Conformal Joint Prediction Regions for Neural Marked
Temporal Point Processes [4.724576834458051]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、有限サンプルの限界被覆を保証するとともに、到着時刻とマークのための分布自由な共同予測領域を生成することである。
論文 参考訳(メタデータ) (2024-01-09T15:28:29Z) - Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label
Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。
我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。
本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文 参考訳(メタデータ) (2023-12-13T09:32:50Z) - Learning-Based Approaches to Predictive Monitoring with Conformal
Statistical Guarantees [2.1684857243537334]
本チュートリアルは、予測モニタリング(PM)のための効率的な手法に焦点を当てている。
PMは、システムの現在の状態から与えられた要件の将来の違反を検出する問題である。
CPSの予測モニタリングに対する我々のアプローチを要約した、汎用的で包括的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-04T15:16:42Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。
提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
論文 参考訳(メタデータ) (2023-10-09T18:12:46Z) - When Measures are Unreliable: Imperceptible Adversarial Perturbations
toward Top-$k$ Multi-Label Learning [83.8758881342346]
新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。
大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
論文 参考訳(メタデータ) (2023-07-27T13:18:47Z) - 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) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - Uncertainty-Aware Multiple Instance Learning fromLarge-Scale Long Time
Series Data [20.2087807816461]
本稿では,最も関連性の高い周期自動識別のための不確実性認識型マルチインスタンス(MIL)フレームワークを提案する。
さらに、別のモデルを訓練し、不確実性を考慮した融合を行うことにより、信頼できない予測を調整できる別のモダリティを組み込む。
実験結果から, 提案手法は, 軌道に基づく容器の形状を効果的に検出できることを示した。
論文 参考訳(メタデータ) (2021-11-16T17:09:02Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - An Effective Baseline for Robustness to Distributional Shift [5.627346969563955]
ディープラーニングシステムの安全なデプロイには,トレーニング中に見られるものと異なる入力のカテゴリに直面した場合,確実な予測を控えることが重要な要件である。
本論文では, 吸収の原理を用いた分布異常検出の簡便かつ高効率な手法を提案する。
論文 参考訳(メタデータ) (2021-05-15T00:46:11Z)
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。