論文の概要: Deep Kernel Learning for Mortality Prediction in the Face of Temporal
Shift
- arxiv url: http://arxiv.org/abs/2212.00557v1
- Date: Thu, 1 Dec 2022 15:04:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 16:48:21.509085
- Title: Deep Kernel Learning for Mortality Prediction in the Face of Temporal
Shift
- Title（参考訳）: 時間変化に直面した死亡予測のためのディープカーネル学習
- Authors: Miguel Rios, Ameen Abu-Hanna
- Abstract要約: 時間シフトに直面した場合,DKLは優れたキャリブレーション予測が得られた。
また、DKLの予測が実際あまり鋭くなかったことも確認した。
この論文は、ニューラルコンピューティングにおける不確実性を含むことの重要性、特にその将来的な利用を実証した。
- 参考スコア（独自算出の注目度）: 2.335152769484957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural models, with their ability to provide novel representations, have
shown promising results in prediction tasks in healthcare. However, patient
demographics, medical technology, and quality of care change over time. This
often leads to drop in the performance of neural models for prospective
patients, especially in terms of their calibration. The deep kernel learning
(DKL) framework may be robust to such changes as it combines neural models with
Gaussian processes, which are aware of prediction uncertainty. Our hypothesis
is that out-of-distribution test points will result in probabilities closer to
the global mean and hence prevent overconfident predictions. This in turn, we
hypothesise, will result in better calibration on prospective data.
This paper investigates DKL's behaviour when facing a temporal shift, which
was naturally introduced when an information system that feeds a cohort
database was changed. We compare DKL's performance to that of a neural baseline
based on recurrent neural networks. We show that DKL indeed produced superior
calibrated predictions. We also confirm that the DKL's predictions were indeed
less sharp. In addition, DKL's discrimination ability was even improved: its
AUC was 0.746 (+- 0.014 std), compared to 0.739 (+- 0.028 std) for the
baseline. The paper demonstrated the importance of including uncertainty in
neural computing, especially for their prospective use.
- Abstract（参考訳）: ニューラルモデルは、新しい表現を提供する能力を持ち、医療における予測タスクの有望な結果を示している。
しかし、患者の人口統計、医療技術、医療の質は時間とともに変化する。
これはしばしば、特にその校正の観点から、将来の患者に対する神経モデルの性能を低下させる。
ディープカーネル学習(DKL)フレームワークは、予測の不確実性を認識したニューラルモデルとガウス過程を組み合わせることで、このような変化に対して堅牢である可能性がある。
我々の仮説は、分布外テストポイントは世界平均に近い確率をもたらすため、自信過剰な予測を防止できるというものである。
これにより、予測データのキャリブレーションが向上する、と我々は仮説を立てている。
本稿では,コホートデータベースを供給する情報システムが変更されると,dklが時間的変化に直面する場合の行動について検討する。
我々は,dklの性能を,再帰的ニューラルネットワークに基づくニューラルネットワークのベースラインと比較する。
DKLは確かに優れたキャリブレーション予測を導出した。
また、DKLの予測が実際あまり鋭くなかったことも確認した。
さらに、DKLの識別能力はさらに改善され、AUCは0.746 (+- 0.014 std)、ベースラインは0.739 (+- 0.028 std)であった。
この論文は、ニューラルコンピューティングにおける不確実性を含むことの重要性を実証した。
関連論文リスト
- Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - 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) - Deep Learning-Based Discrete Calibrated Survival Prediction [0.0]
本稿では,識別・校正型生存予測のための新しいディープニューラルネットワークである離散校正サバイバル(DCS)を提案する。
DCSの高機能化は、可変時間出力ノード間隔と新しい損失項という2つの新しい特徴に起因している。
我々は、DCSが、最先端の差別と良好な校正によるディープラーニングに基づく生存予測の臨床的応用に向けた重要なステップであると考えている。
論文 参考訳（メタデータ） (2022-08-17T09:40:07Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning Uncertainty with Artificial Neural Networks for Improved
Remaining Time Prediction of Business Processes [0.15229257192293202]
本論文では,これらの手法を予測過程のモニタリングに応用する。
より正確な予測と迅速な作業に貢献できることが分かりました。
これは多くの興味深い応用をもたらし、より小さなデータセットを持つ予測システムを早期に導入し、人間とのより良い協力を促進する。
論文 参考訳（メタデータ） (2021-05-12T10:18:57Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳（メタデータ） (2020-09-26T17:56:37Z) - Prediction-Coherent LSTM-based Recurrent Neural Network for Safer
Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。
研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文 参考訳（メタデータ） (2020-09-08T13:14:08Z) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。