Fugu-MT 論文翻訳(概要): Information Fusion via Symbolic Regression: A Tutorial in the Context of Human Health

論文の概要: Information Fusion via Symbolic Regression: A Tutorial in the Context of Human Health

arxiv url: http://arxiv.org/abs/2306.00153v1
Date: Wed, 31 May 2023 19:52:17 GMT
ステータス: 処理完了
システム内更新日: 2023-06-02 19:39:24.313813
Title: Information Fusion via Symbolic Regression: A Tutorial in the Context of Human Health
Title（参考訳）: シンボリック・リグレッションによる情報融合:人間の健康の文脈におけるチュートリアル
Authors: Jennifer J. Schnur and Nitesh V. Chawla
Abstract要約: 解釈可能なモデリングは、情報融合の成功評価を支援するための実践的な方法である、と我々は主張する。本研究では,NHANES(National Health and Nutrition Examination Survey)データを用いた健康・栄養分野の応用を実証する。 SRモデリングに係わる利点と課題について考察し,質的,定量的な分析を行う。
参考スコア（独自算出の注目度）: 17.478900028887537
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This tutorial paper provides a general overview of symbolic regression (SR) with specific focus on standards of interpretability. We posit that interpretable modeling, although its definition is still disputed in the literature, is a practical way to support the evaluation of successful information fusion. In order to convey the benefits of SR as a modeling technique, we demonstrate an application within the field of health and nutrition using publicly available National Health and Nutrition Examination Survey (NHANES) data from the Centers for Disease Control and Prevention (CDC), fusing together anthropometric markers into a simple mathematical expression to estimate body fat percentage. We discuss the advantages and challenges associated with SR modeling and provide qualitative and quantitative analyses of the learned models.
Abstract（参考訳）: 本チュートリアルでは,解釈可能性の基準に特に焦点をあてた記号回帰(SR)の概要を概説する。解釈可能なモデリングは、その定義はまだ文献で議論されているが、情報融合を成功させるための実践的な方法であると仮定する。 SRの利点をモデリング手法として示すため,国立衛生栄養検査センター (NHANES) のデータを用いて, 人体脂肪率を推定するために, 人為的マーカーを単純な数学的表現に融合させ, 健康・栄養分野の応用を実証した。本稿では、SRモデリングに関連する利点と課題について論じ、学習モデルの質的および定量的分析を行う。

関連論文リスト

Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文参考訳（メタデータ） (2025-02-15T06:33:02Z)
Mesh2SSM++: A Probabilistic Framework for Unsupervised Learning of Statistical Shape Model of Anatomies from Surface Meshes [0.0]
Mesh2SSM++は、教師なしの方法でメッシュから対応を推定する、新しいアプローチである。メッシュ上で直接操作する能力と計算効率と解釈可能性を組み合わせることで、従来のディープラーニングベースのSSMアプローチに代わる魅力的な選択肢となる。
論文参考訳（メタデータ） (2025-02-11T00:19:23Z)
Enhancing Health Information Retrieval with RAG by Prioritizing Topical Relevance and Factual Accuracy [0.7673339435080445]
本稿では, 科学的根拠に基づく健康関連文書の検索を促進するために, RAG(Retrieval-Augmented Generation)を駆使した手法を提案する。特に,3段階のモデルを提案する。第1段階では,科学的文献によって構成された知識ベースから,利用者のクエリを用いて,関連した項目を検索する。第2段階では、これらのパスは初期クエリとともにLLMによって処理され、コンテキストに関連のあるリッチテキスト(GenText)を生成する。最終段階では、検索対象の文書を評価・ランク付けする。
論文参考訳（メタデータ） (2025-02-07T05:19:13Z)
Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文参考訳（メタデータ） (2024-06-17T06:20:39Z)
VALOR-EVAL: Holistic Coverage and Faithfulness Evaluation of Large Vision-Language Models [57.43276586087863]
LVLM(Large Vision-Language Models)は幻覚に悩まされ、このモデルでは可聴音を発生させるが、実際には誤出力を発生させる。既存のベンチマークはスコープに限られており、主にオブジェクト幻覚に焦点を当てている。対象,属性,関係を多次元のベンチマークで表現し,連想バイアスに基づいて画像を選択する。
論文参考訳（メタデータ） (2024-04-22T04:49:22Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文参考訳（メタデータ） (2023-11-06T00:21:44Z)
Explainable AI for Malnutrition Risk Prediction from m-Health and Clinical Data [3.093890460224435]
異種m-healthデータに基づく早期かつ説明可能な栄養失調リスク検出のための新しいAIフレームワークを提案する。対象非依存および個人化予測を含む広範囲なモデル評価を行った。また,グローバルモデル記述を抽出するベンチマークXAI法についても検討した。
論文参考訳（メタデータ） (2023-05-31T08:07:35Z)
Algebraic Learning: Towards Interpretable Information Modeling [0.0]
この論文は、一般的な情報モデリングにおける解釈可能性の問題に対処し、問題を2つの範囲から緩和する試みである。まず、問題指向の視点を用いて、興味深い数学的性質が自然に現れるモデリング実践に知識を取り入れる。第二に、訓練されたモデルを考えると、基礎となるシステムに関するさらなる洞察を抽出するために様々な方法を適用することができる。
論文参考訳（メタデータ） (2022-03-13T15:53:39Z)
Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
論文参考訳（メタデータ） (2020-09-07T03:51:35Z)

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。