論文の概要: Expressive Mortality Models through Gaussian Process Kernels
- arxiv url: http://arxiv.org/abs/2305.01728v1
- Date: Tue, 2 May 2023 18:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:47:40.660777
- Title: Expressive Mortality Models through Gaussian Process Kernels
- Title(参考訳): ガウス過程核による表現的死亡モデル
- Authors: Mike Ludkovski, Jimmy Risk
- Abstract要約: 年齢・年別死亡面の共分散構造を学習するための枠組みを開発する。
遺伝的プログラミングアルゴリズムを用いて、与えられた集団の最も構成性の高いカーネルを探索する。
機械学習に基づく分析は、異なる集団におけるコホートの存在/存在に関する新たな洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a flexible Gaussian Process (GP) framework for learning the
covariance structure of Age- and Year-specific mortality surfaces. Utilizing
the additive and multiplicative structure of GP kernels, we design a genetic
programming algorithm to search for the most expressive kernel for a given
population. Our compositional search builds off the Age-Period-Cohort (APC)
paradigm to construct a covariance prior best matching the spatio-temporal
dynamics of a mortality dataset. We apply the resulting genetic algorithm (GA)
on synthetic case studies to validate the ability of the GA to recover APC
structure, and on real-life national-level datasets from the Human Mortality
Database. Our machine-learning based analysis provides novel insight into the
presence/absence of Cohort effects in different populations, and into the
relative smoothness of mortality surfaces along the Age and Year dimensions.
Our modelling work is done with the PyTorch libraries in Python and provides an
in-depth investigation of employing GA to aid in compositional kernel search
for GP surrogates.
- Abstract(参考訳): 年齢および年別死亡面の共分散構造を学習するための柔軟なガウス過程(GP)フレームワークを開発する。
gpカーネルの加法と乗法構造を利用して,与えられた集団に対して最も表現力の高いカーネルを探索する遺伝的プログラミングアルゴリズムを考案する。
我々の構成探索はAPC(Aage-Period-Cohort)パラダイムから構築され、死亡データセットの時空間的ダイナミクスに最もよく一致するように共分散を構築する。
人工ケーススタディにおいて得られた遺伝的アルゴリズムを応用し,APC構造を復元するGAの能力,およびHuman Mortality Databaseによる実生活国家レベルのデータセットに応用する。
我々の機械学習に基づく分析は、異なる集団におけるコホート効果の有無、および年齢と年数次元に沿った死亡面の相対的滑らかさに関する新たな洞察を提供する。
当社のモデリング作業はpythonのpytorchライブラリで行われ、gpサロゲートの構成カーネル検索を支援するgaの採用に関する詳細な調査を行っています。
関連論文リスト
- PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳(メタデータ) (2023-10-12T23:46:08Z) - A Generative Modeling Framework for Inferring Families of Biomechanical
Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。
機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
論文 参考訳(メタデータ) (2023-05-04T22:07:27Z) - Neural Design for Genetic Perturbation Experiments [16.95249173404529]
我々は、クエリ(アーム)と出力(リワード)の異なる機能関係の下で、ほぼ最適なアームを見つけるために、最適アーム除去原理を導入する。
OAEはまた、GeneDiscoの実験的計画課題において、ベンチマークアルゴリズムを4つのデータセットのうち3つで上回っている。
論文 参考訳(メタデータ) (2022-07-26T10:59:52Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - Analysis of lifelog data using optimal feature selection based
unsupervised logistic regression (OFS-ULR) for chronic disease classification [2.3909933791900326]
慢性疾患分類モデルは現在、より良い医療実践を探求するためにライフログデータの可能性を活用している。
本稿では,慢性疾患の分類に最適な特徴選択に基づく非教師なしロジスティック回帰モデル(OFS-ULR)を構築することを目的とする。
論文 参考訳(メタデータ) (2022-04-04T07:11:26Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳(メタデータ) (2020-12-24T12:56:46Z) - Low-Rank Reorganization via Proportional Hazards Non-negative Matrix
Factorization Unveils Survival Associated Gene Clusters [9.773075235189525]
この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。
ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。
発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
論文 参考訳(メタデータ) (2020-08-09T17:59:30Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。
モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-08T16:34:58Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。