Fugu-MT 論文翻訳(概要): Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis

論文の概要: Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis

arxiv url: http://arxiv.org/abs/2209.00439v1
Date: Thu, 1 Sep 2022 13:24:14 GMT
ステータス: 処理完了
システム内更新日: 2022-09-02 14:08:52.116655
Title: Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis
Title（参考訳）: 敗血症早期診断における予測とプライバシ向上のためのセンシングニューラルネットワーク
Authors: Shigehiko Schamoni, Michael Hagmann, Stefan Riezler
Abstract要約: ニューラルネットワークを組み立てることは、ニューラルネットワークの一般化エラーを改善する技術である。この手法は医療データに対する機械学習に最適であることを示す。より大規模なデータセットでトレーニングされた単一のモデルよりも優れた、いくつかの選択された患者固有のモデルのアンサンブルを構築することができることを示す。
参考スコア（独自算出の注目度）: 13.121103500410156
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ensembling neural networks is a long-standing technique for improving the generalization error of neural networks by combining networks with orthogonal properties via a committee decision. We show that this technique is an ideal fit for machine learning on medical data: First, ensembles are amenable to parallel and asynchronous learning, thus enabling efficient training of patient-specific component neural networks. Second, building on the idea of minimizing generalization error by selecting uncorrelated patient-specific networks, we show that one can build an ensemble of a few selected patient-specific models that outperforms a single model trained on much larger pooled datasets. Third, the non-iterative ensemble combination step is an optimal low-dimensional entry point to apply output perturbation to guarantee the privacy of the patient-specific networks. We exemplify our framework of differentially private ensembles on the task of early prediction of sepsis, using real-life intensive care unit data labeled by clinical experts.
Abstract（参考訳）: ニューラルネットワークの組み立ては、委員会決定を通じてネットワークと直交特性を組み合わせることにより、ニューラルネットワークの一般化エラーを改善するための長年のテクニックである。第一に、アンサンブルは並列および非同期学習に適しており、患者固有のコンポーネントニューラルネットワークの効率的なトレーニングを可能にする。第二に、非相関性のある患者特化ネットワークを選択して一般化誤差を最小化するアイデアに基づいて、より大規模なプールデータセットで訓練された単一のモデルよりも優れた数個の患者特化モデルのアンサンブルを構築することができることを示す。第3に、患者固有のネットワークのプライバシを保証するために出力摂動を適用するための最適低次元エントリポイントである。臨床専門家によってラベル付けされた実生活集中治療単位データを用いて,敗血症早期予測作業における個人差分アンサンブルの枠組みを実証する。

関連論文リスト

Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
An effective theory of collective deep learning [1.3812010983144802]
我々は、近年の分散化アルゴリズムを凝縮する最小限のモデルを導入する。線形ネットワークの有効理論を導出し、我々のシステムの粗粒度挙動が変形したギンズバーグ・ランダウモデルと等価であることを示す。 MNISTデータセットで訓練された現実的なニューラルネットワークの結合アンサンブルで理論を検証した。
論文参考訳（メタデータ） (2023-10-19T14:58:20Z)
TANGOS: Regularizing Tabular Neural Networks through Gradient Orthogonalization and Specialization [69.80141512683254]
TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。 TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
論文参考訳（メタデータ） (2023-03-09T18:57:13Z)
Exposing and addressing the fragility of neural networks in digital pathology [0.0]
textttStrongAugmentは、大規模な異種病理組織学的データを用いて評価される。 textttStrongAugmentでトレーニングされたニューラルネットワークは、すべてのデータセットで同様のパフォーマンスを維持している。
論文参考訳（メタデータ） (2022-06-30T13:25:34Z)
NeuralDP Differentially private neural networks by design [61.675604648670095]
ニューラルネットワーク内のいくつかの層の活性化を民営化する手法であるNeuralDPを提案する。本研究では,DP-SGDと比較して,プライバシーとユーティリティのトレードオフを大幅に改善した2つのデータセットを実験的に検証した。
論文参考訳（メタデータ） (2021-07-30T12:40:19Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文参考訳（メタデータ） (2020-08-14T11:19:32Z)
Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data [5.382679710017696]
本稿では、ニューラルネットワークと辞書学習を組み合わせた統合フレームワークを提案し、静止状態機能MRIと行動データの間の複雑な相互作用をモデル化する。自閉症スペクトラム障害(ASD)52例を用いたマルチスコア予測課題における組み合わせモデルの評価を行った。統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。
論文参考訳（メタデータ） (2020-07-03T20:14:45Z)
Identifying Critical Neurons in ANN Architectures using Mixed Integer Programming [11.712073757744452]
深層ニューラルネットワークアーキテクチャにおいて,各ニューロンに重要なスコアを割り当てるための混合整数プログラム(MIP)を導入する。我々は、トレーニングされたニューラルネットワークの全体的な精度を維持するために必要な臨界ニューロンの数(すなわち、高いスコアを持つ)を最小限に抑えるために、ソルバを駆動する。
論文参考訳（メタデータ） (2020-02-17T21:32:47Z)

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。