論文の概要: Model-based Clustering of Individuals' Ecological Momentary Assessment
Time-series Data for Improving Forecasting Performance
- arxiv url: http://arxiv.org/abs/2310.07491v1
- Date: Wed, 11 Oct 2023 13:39:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 22:42:22.285659
- Title: Model-based Clustering of Individuals' Ecological Momentary Assessment
Time-series Data for Improving Forecasting Performance
- Title（参考訳）: 予測性能向上のための個人環境評価時系列データのモデルに基づくクラスタリング
- Authors: Mandani Ntekouli, Gerasimos Spanakis, Lourens Waldorp, Anne Roefs
- Abstract要約: 類似した個人の追加情報は、これらのモデルを強化し、より良い個人の説明につながる可能性が高いと考えられている。
2つのモデルに基づくクラスタリング手法について検討し、まずパーソナライズされたモデルのモデル抽出パラメータを用いた。
クラスタリングに基づく手法の優位性が確認され、グループベースの情報の利用により、すべての個人データの全体的なパフォーマンスが効果的に向上する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 5.312303275762104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Through Ecological Momentary Assessment (EMA) studies, a number of
time-series data is collected across multiple individuals, continuously
monitoring various items of emotional behavior. Such complex data is commonly
analyzed in an individual level, using personalized models. However, it is
believed that additional information of similar individuals is likely to
enhance these models leading to better individuals' description. Thus,
clustering is investigated with an aim to group together the most similar
individuals, and subsequently use this information in group-based models in
order to improve individuals' predictive performance. More specifically, two
model-based clustering approaches are examined, where the first is using
model-extracted parameters of personalized models, whereas the second is
optimized on the model-based forecasting performance. Both methods are then
analyzed using intrinsic clustering evaluation measures (e.g. Silhouette
coefficients) as well as the performance of a downstream forecasting scheme,
where each forecasting group-model is devoted to describe all individuals
belonging to one cluster. Among these, clustering based on performance shows
the best results, in terms of all examined evaluation measures. As another
level of evaluation, those group-models' performance is compared to three
baseline scenarios, the personalized, the all-in-one group and the random
group-based concept. According to this comparison, the superiority of
clustering-based methods is again confirmed, indicating that the utilization of
group-based information could be effectively enhance the overall performance of
all individuals' data.
- Abstract（参考訳）: ecoological momentary assessment(ema)研究を通じて、複数の個人にまたがる時系列データが収集され、感情的行動のさまざまな項目を継続的に監視する。
このような複雑なデータは、パーソナライズされたモデルを使用して、個別のレベルで分析される。
しかし、類似した個人の追加情報がこれらのモデルを強化し、より優れた個人の説明につながる可能性が高いと考えられている。
このように、クラスタリングは最も類似した個人をグループ化することを目的として検討され、その後、個人の予測性能を改善するためにグループベースモデルでこの情報を使用する。
より具体的には、モデルベースのクラスタリングアプローチを2つ検討し、1つはパーソナライズされたモデルのモデル抽出パラメータ、もう1つはモデルベースの予測パフォーマンスに最適化されている。
いずれの手法も内在的クラスタリング評価尺度(例えばシルエット係数)と下流予測スキームの性能を用いて分析され、各予測グループモデルは1つのクラスタに属するすべての個人を記述するために使用される。
これらのうち, 評価評価指標のすべての観点から, 性能に基づくクラスタリングが最良の結果を示す。
別の評価レベルとして、これらのグループモデルの性能を、パーソナライズされたオールインワングループとランダムなグループベースコンセプトの3つのベースラインシナリオと比較する。
この比較結果から,クラスタリング手法の優位性が再確認され,グループベース情報の利用が全個人のデータ全体のパフォーマンスを効果的に向上させる可能性が示唆された。
関連論文リスト
- A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - Time series clustering based on prediction accuracy of global
forecasting models [0.0]
本稿では,時系列のモデルに基づくクラスタリング手法を提案する。
文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。
シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-04-30T13:12:19Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Using Explainable Boosting Machine to Compare Idiographic and Nomothetic
Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。
木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。
2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
論文 参考訳（メタデータ） (2022-04-04T17:56:37Z) - Multi-objective Semi-supervised Clustering for Finding Predictive
Clusters [0.5371337604556311]
本研究は,クラスタリング問題に焦点をあて,結果変数に有意なコンパクトクラスタを見つけることを目的とする。
主な目標は、各クラスタでの観測が類似し、結果変数をこれらのクラスタを使用して同時に予測できるように、データポイントをパーティショニングすることである。
論文 参考訳（メタデータ） (2022-01-26T06:24:38Z) - Spectral Clustering with Variance Information for Group Structure
Estimation in Panel Data [7.712669451925186]
まず、各係数の推定値のばらつきがグループ構造の推定に有用な情報を含んでいることを示す局所解析を行う。
次に、分散情報を明示的に考慮した一般的なパネルデータモデルに対して、観測不能なグルーピングを推定する手法を提案する。
論文 参考訳（メタデータ） (2022-01-05T19:16:16Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z)
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。