論文の概要: A Practitioner's Guide to Bayesian Inference in Pharmacometrics using Pumas

• arxiv url: http://arxiv.org/abs/2304.04752v1
• Date: Fri, 31 Mar 2023 04:00:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-16 22:25:21.429641
• Title: A Practitioner's Guide to Bayesian Inference in Pharmacometrics using Pumas
• Title（参考訳）: Pumas を用いた薬理学におけるベイズ推論の実践者ガイド
• Authors: Mohamed Tarek, Jose Storopoli, Casey Davis, Chris Elrod, Julius Krumbiegel, Chris Rackauckas and Vijay Ivaturi
• Abstract要約: 本稿ではPumasを用いた薬理学の総合的なチュートリアルを提供する。 まず、薬理学に対するベイズ的推論の簡単な動機を与えることから始める。 次に、コードスニペットと例を使って、薬理学のための標準的なベイズワークフローのすべてのステップについて説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper provides a comprehensive tutorial for Bayesian practitioners in pharmacometrics using Pumas workflows. We start by giving a brief motivation of Bayesian inference for pharmacometrics highlighting limitations in existing software that Pumas addresses. We then follow by a description of all the steps of a standard Bayesian workflow for pharmacometrics using code snippets and examples. This includes: model definition, prior selection, sampling from the posterior, prior and posterior simulations and predictions, counter-factual simulations and predictions, convergence diagnostics, visual predictive checks, and finally model comparison with cross-validation. Finally, the background and intuition behind many advanced concepts in Bayesian statistics are explained in simple language. This includes many important ideas and precautions that users need to keep in mind when performing Bayesian analysis. Many of the algorithms, codes, and ideas presented in this paper are highly applicable to clinical research and statistical learning at large but we chose to focus our discussions on pharmacometrics in this paper to have a narrower scope in mind and given the nature of Pumas as a software primarily for pharmacometricians.
• Abstract（参考訳）: 本稿では,pumasワークフローを用いた薬理学のベイズ実践者のための包括的なチュートリアルを提供する。 まず、Pumasが対処している既存のソフトウェアの限界を強調する薬理学のベイズ的推論の簡単な動機を与える。 次に、コードスニペットと例を使って、標準的なベイズワークフローのすべてのステップを薬理学で記述します。 モデル定義、事前選択、後部からのサンプリング、事前および後部シミュレーションと予測、反事実シミュレーションと予測、収束診断、視覚的予測チェック、そして最後にクロスバリデーションによるモデル比較である。 最後に、ベイズ統計学における多くの先進的な概念の背景と直観は単純な言語で説明される。 これには、ベイズ分析の実行時にユーザーが注意する必要がある多くの重要なアイデアと予防が含まれている。 本論文で提示されるアルゴリズム,コード,アイデアの多くは,臨床研究や統計学全般に適用可能であるが,本論文では,より狭い範囲を念頭に置いてPumasの性質を主に薬理学のソフトウェアとして与えるために,薬理学に焦点をあてることにした。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• A Closer Look at Few-shot Classification Again [68.44963578735877]
  トレーニングフェーズと適応フェーズで構成されている。 トレーニングアルゴリズムと適応アルゴリズムが完全に絡み合っていることを実証的に証明する。 各フェーズのメタアナリシスは、いくつかの興味深い洞察を示し、いくつかのショット分類の重要な側面をよりよく理解するのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-28T16:42:05Z)
• Demonstration of machine-learning-enhanced Bayesian quantum state estimation [0.0]
  機械学習を用いて自動調整を行うカスタム事前分布の定義手法を実験的に実現した。 MLで定義した事前分布は、ネット収束時間を減少させ、暗黙的および明示的な情報を事前分布に直接組み込む自然な方法を提供する。
  論文  参考訳（メタデータ） (2022-12-15T18:41:15Z)
• Bayesian Learning for Neural Networks: an algorithmic survey [95.42181254494287]
  この自己完結型調査は、ベイズ学習ニューラルネットワークの原理とアルゴリズムを読者に紹介する。 アクセシブルで実践的な視点からこのトピックを紹介します。
  論文  参考訳（メタデータ） (2022-11-21T21:36:58Z)
• Forecasting labels under distribution-shift for machine-guided sequence design [0.0]
  本稿では,高スループットライブラリの性能を予測できる意思決定手法を提案する。 提案手法は, モデルスコアを用いて図書館性能を推定するベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-18T18:35:50Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
  本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。 本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-07-14T12:50:09Z)
• Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
  事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。 本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。 現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
  論文  参考訳（メタデータ） (2021-03-11T07:23:45Z)
• A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches [0.0]
  統計学の実践における因果関係のベイズ推定について紹介する。 パラメトリックモデルにおいて、先行モデルが縮尺と空間性を引き出す方法を示す。 ポイント処理および時間変化処理設定における推論について考察する。
  論文  参考訳（メタデータ） (2020-04-15T22:32:16Z)
• Multi-parameter estimation beyond Quantum Fisher Information [0.0]
  本稿では,Holevo Cram'er-Rao境界,Quantum Local Asymptotic Normalityアプローチ,ベイズ法について詳しく論じる。 このレビューの主な目的の1つは、読者が導出のほとんどを従えるように、ほぼ自己完結した作品を提供することである。
  論文  参考訳（メタデータ） (2020-01-31T10:07:47Z)

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。