論文の概要: Missing Data Imputation Based on Structural Equation Modeling Enhanced with Self-Attention

• arxiv url: http://arxiv.org/abs/2308.12388v3
• Date: Thu, 4 Apr 2024 03:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 20:22:43.455884
• Title: Missing Data Imputation Based on Structural Equation Modeling Enhanced with Self-Attention
• Title（参考訳）: 自己注意による構造方程式モデリングに基づく欠落データ計算
• Authors: Ou Deng, Qun Jin,
• Abstract要約: 自己注意法(Self-Attention method, SESA)は, EHRにおけるデータ計算の革新的手法である。 SESAは、自己保持機構を組み込むことで、従来のSEMベースの手法を超えて革新する。 実験により,SESAは頑健な予測性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 2.250580490933205
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Addressing missing data in complex datasets like Electronic Health Records (EHR) is critical for ensuring accurate analysis and decision-making in healthcare. This paper proposes Structural Equation Modeling (SEM) enhanced with the Self-Attention method (SESA), an innovative approach for data imputation in EHR. SESA innovates beyond traditional SEM-based methods by incorporating self-attention mechanisms, enhancing the model's adaptability and accuracy across diverse EHR datasets. This enhancement allows SESA to dynamically adjust and optimize imputation processes, overcoming the limitations of static SEM frameworks. Our experimental analyses demonstrate that SESA achieves robust predictive performance, effectively handling missing data in EHR. Moreover, SESA's architecture not only rectifies potential mis-specifications in SEM but also synergizes with causal discovery algorithms, to refine its imputation logic based on underlying data structures. These features highlight SESA's advanced capabilities and its potential for broader application in EHR data analysis and beyond, marking a significant leap forward in the field of data imputation.
• Abstract（参考訳）: EHR(Electronic Health Records)のような複雑なデータセットに欠落したデータに対処することは、医療における正確な分析と意思決定を保証するために重要である。 本稿では,SESA(Self-Attention Method)によって強化された構造方程式モデリング(Structure Equation Modeling, SEM)を提案する。 SESAは、自己アテンションメカニズムを導入し、さまざまなEHRデータセットに対するモデルの適応性と正確性を高めることで、従来のSEMベースのメソッドを超えて革新する。 この拡張により、SESAは静的SEMフレームワークの制限を克服し、動的に命令処理を調整および最適化することができる。 実験により,SESAは高い予測性能を示し,EHRの欠落データ処理を効果的に行うことができた。 さらに、SESAのアーキテクチャは、SEMの潜在的な誤特定を正すだけでなく、因果発見アルゴリズムと相乗化して、基礎となるデータ構造に基づく計算ロジックを洗練させる。 これらの機能は、SESAの高度な機能と、EHRデータ分析などにおけるより広範な応用の可能性を強調し、データ計算分野における大きな飛躍を象徴している。

関連論文リスト

• InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
  本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。 InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
  論文  参考訳（メタデータ） (2024-08-15T17:07:40Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• ICU Bloodstream Infection Prediction: A Transformer-Based Approach for EHR Analysis [0.0]
  本稿では,集中治療室(ICU)における電子健康記録(EHR)データの予測分析を目的とした新しいフレームワークであるRatchetEHRを紹介する。 R RatchetEHRは、RNN、LSTM、XGBoostなど、他の方法と比較して優れた予測性能を示している。 RatchetEHRにおける重要なイノベーションは、Graph Convolutional Transformer (GCT)コンポーネントの統合である。
  論文  参考訳（メタデータ） (2024-05-01T19:00:30Z)
• Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions [48.0590120095748]
  本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。 我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-20T15:14:14Z)
• EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model [39.363511340878624]
  大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。 本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
  論文  参考訳（メタデータ） (2024-01-11T17:36:24Z)
• Inference of Dependency Knowledge Graph for Electronic Health Records [13.35941801610195]
  動的対数線形トピックモデルに基づくスパース知識グラフの導出フレームワークを提案する。 このモデルでは、経験的ポイントワイド相互情報行列上で特異値分解を行うことにより、KG埋め込みを推定する。 次に、KG低ランク推定器のエントリーワイド正規度を確立し、制御されたI型誤差によるスパースグラフエッジの回復を可能にする。
  論文  参考訳（メタデータ） (2023-12-25T04:45:36Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)

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。