Fugu-MT 論文翻訳(概要): Hierarchical Neyman-Pearson Classification for Prioritizing Severe Disease Categories in COVID-19 Patient Data

論文の概要: Hierarchical Neyman-Pearson Classification for Prioritizing Severe Disease Categories in COVID-19 Patient Data

arxiv url: http://arxiv.org/abs/2210.02197v2
Date: Fri, 29 Sep 2023 14:50:04 GMT
ステータス: 処理完了
システム内更新日: 2023-10-02 19:38:10.913320
Title: Hierarchical Neyman-Pearson Classification for Prioritizing Severe Disease Categories in COVID-19 Patient Data
Title（参考訳）: 新型コロナウイルス患者データにおける重症疾患分類の階層的Neyman-Pearson分類
Authors: Lijia Wang, Y. X. Rachel Wang, Jingyi Jessica Li, Xin Tong
Abstract要約: 新型コロナウイルスの重症度は、無症状から入院の要求まで幅広い。より厳しいクラスの識別を優先し、"アンダークラス化"エラーを制御することは有益である。本稿では,階層型NP(H-NP)フレームワークと,非分類誤差を高い確率で制御する傘アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 14.74172876249796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: COVID-19 has a spectrum of disease severity, ranging from asymptomatic to requiring hospitalization. Understanding the mechanisms driving disease severity is crucial for developing effective treatments and reducing mortality rates. One way to gain such understanding is using a multi-class classification framework, in which patients' biological features are used to predict patients' severity classes. In this severity classification problem, it is beneficial to prioritize the identification of more severe classes and control the "under-classification" errors, in which patients are misclassified into less severe categories. The Neyman-Pearson (NP) classification paradigm has been developed to prioritize the designated type of error. However, current NP procedures are either for binary classification or do not provide high probability controls on the prioritized errors in multi-class classification. Here, we propose a hierarchical NP (H-NP) framework and an umbrella algorithm that generally adapts to popular classification methods and controls the under-classification errors with high probability. On an integrated collection of single-cell RNA-seq (scRNA-seq) datasets for 864 patients, we explore ways of featurization and demonstrate the efficacy of the H-NP algorithm in controlling the under-classification errors regardless of featurization. Beyond COVID-19 severity classification, the H-NP algorithm generally applies to multi-class classification problems, where classes have a priority order.
Abstract（参考訳）: 新型コロナウイルスは無症状から入院まで、さまざまな病気の重症度がある。病気の重症度を促進するメカニズムを理解することは、効果的な治療法の開発と死亡率の低減に不可欠である。このような理解を得る一つの方法は、患者の生物学的特徴を用いて患者の重症度クラスを予測するマルチクラス分類フレームワークを使用することである。この重症度分類問題では、より重度な分類の分類を優先し、患者をより重度な分類に誤分類する「下位分類」エラーを制御することが有益である。 Neyman-Pearson(NP)分類パラダイムは、指定されたタイプのエラーを優先順位付けするために開発された。しかし、現在のnp手続きはバイナリ分類のためか、マルチクラス分類における優先度付きエラーに対する高い確率制御を提供していない。本稿では、一般的な分類手法に適応し、高い確率で下位分類誤差を制御する階層型NP(H-NP)フレームワークと傘アルゴリズムを提案する。 864名の患者を対象としたsingle-cell rna-seq(scrna-seq)データセットの総合的な収集について検討し,h-npアルゴリズムの有効性を検証した。新型コロナウイルスの重症度分類以外にも、H-NPアルゴリズムは、クラスが優先的な順序を持つマルチクラス分類問題に適用される。

関連論文リスト

Just Leaf It: Accelerating Diffusion Classifiers with Hierarchical Class Pruning [8.209660505275872]
本稿では、データセット固有の階層的ラベル構造を利用する階層的拡散(HDC)を提案する。 HDCは、維持しながら最大60%の推論を加速し、場合によっては分類精度を向上させる。我々の研究により、速度と精度のトレードオフの新しい制御機構が実現され、現実世界のアプリケーションでは拡散に基づく分類がより有効になる。
論文参考訳（メタデータ） (2024-11-18T21:34:05Z)
Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
論文参考訳（メタデータ） (2024-10-24T23:51:40Z)
FH-TabNet: Multi-Class Familial Hypercholesterolemia Detection via a Multi-Stage Tabular Deep Learning [4.9278815557931015]
家族性高コレステロール血症(家族性高コレステロール血症、FH)は、低比重リポ蛋白(LDL)コレステロールまたはその関連遺伝子の増加を特徴とする遺伝疾患である。従来の診断アプローチは複雑でコストがかかり、難しい解釈課題である。 FH検出のためのディープラーニング(DL)は、おそらく、基礎となる臨床データの分類学的性質のため、その初期段階にある。
論文参考訳（メタデータ） (2024-03-16T22:35:21Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
One-Class Risk Estimation for One-Class Hyperspectral Image Classification [8.206701378422968]
ハイパースペクトル画像(HSI)の1クラス分類は、HSIから単一のターゲットクラスを特定することを目的としている。深層学習に基づく手法は,HSIマルチクラス化における分散重複を克服するために現在主流である。本稿では、弱い教師付き深いHSI一級分類であるHOneClsを提案する。
論文参考訳（メタデータ） (2022-10-27T14:15:13Z)
Asymmetric error control under imperfect supervision: a label-noise-adjusted Neyman-Pearson umbrella algorithm [9.680436421852768]
Neyman-Pearson(NP)分類パラダイムは、望ましいレベルでより厳しいタイプのエラーを制約する。 NPパラダイムに基づくトレーニングラベルノイズに対して,ほとんどの最先端分類手法を適応する最初の理論支援アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-01T07:10:19Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Minimax Pareto Fairness: A Multi Objective Perspective [24.600419295290504]
グループフェアネスは多目的最適化問題であり、各敏感なグループリスクは別個の目的である。これらの制約を満たすために、ディープニューラルネットワークと互換性のある単純なアルゴリズムを提供する。提案手法は,収入予測,ICU患者死亡率,皮膚病変分類,信用リスク評価の実際のケーススタディについて検証した。
論文参考訳（メタデータ） (2020-11-03T16:21:53Z)
Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
論文参考訳（メタデータ） (2020-10-22T14:05:05Z)
Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
論文参考訳（メタデータ） (2020-10-20T09:37:02Z)

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。