論文の概要: Utilising Bayesian Networks to combine multimodal data and expert opinion for the robust prediction of depression and its symptoms

• arxiv url: http://arxiv.org/abs/2211.04924v1
• Date: Wed, 9 Nov 2022 14:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 16:20:53.404864
• Title: Utilising Bayesian Networks to combine multimodal data and expert opinion for the robust prediction of depression and its symptoms
• Title（参考訳）: ベイズネットワークを用いたうつ病とその症状の堅牢な予測のためのマルチモーダルデータと専門家の意見の組み合わせ
• Authors: Salvatore Fara, Orlaith Hickey, Alexandra Georgescu, Stefano Goria, Emilia Molimpakis, Nicholas Cummins
• Abstract要約: 我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
• 参考スコア（独自算出の注目度）: 65.28160163774274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the presence of major depressive disorder (MDD) using behavioural and cognitive signals is a highly non-trivial task. The heterogeneous clinical profile of MDD means that any given speech, facial expression and/or observed cognitive pattern may be associated with a unique combination of depressive symptoms. Conventional discriminative machine learning models potentially lack the complexity to robustly model this heterogeneity. Bayesian networks, however, may instead be well-suited to such a scenario. These networks are probabilistic graphical models that efficiently describe the joint probability distribution over a set of random variables by explicitly capturing their conditional dependencies. This framework provides further advantages over standard discriminative modelling by offering the possibility to incorporate expert opinion in the graphical structure of the models, generating explainable model predictions, informing about the uncertainty of predictions, and naturally handling missing data. In this study, we apply a Bayesian framework to capture the relationships between depression, depression symptoms, and features derived from speech, facial expression and cognitive game data collected at thymia.
• Abstract（参考訳）: 行動的および認知的信号を用いた大うつ病性障害(mdd)の存在の予測は非常に非自明な作業である。 MDDの異種臨床プロファイルは、任意の音声、表情、および/または観察された認知パターンが、うつ症状のユニークな組み合わせと関連していることを意味する。 従来の判別機械学習モデルは、この異質性を堅牢にモデル化する複雑さを欠いている可能性がある。 しかし、ベイジアンネットワークはそのようなシナリオに適しているかもしれない。 これらのネットワークは確率的グラフィカルモデルであり、条件依存を明示的に捉えることにより、確率変数の集合上の合同確率分布を効率的に記述する。 このフレームワークは、モデルのグラフィカルな構造に専門家の意見を組み込む可能性を提供し、説明可能なモデル予測を生成し、予測の不確実性について通知し、欠落したデータを自然に処理することで、標準的な差別的モデリングよりもさらなる利点を提供する。 本研究では,抑うつ,抑うつ症状,胸腺で収集された発話,表情,認知ゲームデータから得られた特徴との関係を捉えるために,ベイズ的枠組みを適用した。

関連論文リスト

• Considerations for Distribution Shift Robustness of Diagnostic Models in Healthcare [10.393967785465536]
  健康のための応用MLの分野では、患者に関する情報を考慮せずに$X$から$Y$を予測することが一般的である。 本研究では,医療環境に共通するデータ生成機構を強調し,因果関係の文献による最近の理論的結果を用いて,堅牢な予測モデルを構築する方法について論じる。
  論文  参考訳（メタデータ） (2024-10-25T14:13:09Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
  本稿では,病変欠損モデル比較のための包括的枠組みを提案する。 また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。 我々の分析は、このアプローチの広く採用されていることを正当化する。
  論文  参考訳（メタデータ） (2023-05-27T13:49:35Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。