論文の概要: Dynamic feature selection in medical predictive monitoring by reinforcement learning

• arxiv url: http://arxiv.org/abs/2405.19729v1
• Date: Thu, 30 May 2024 06:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 15:48:50.752748
• Title: Dynamic feature selection in medical predictive monitoring by reinforcement learning
• Title（参考訳）: 強化学習による医療予測モニタリングにおける動的特徴選択
• Authors: Yutong Chen, Jiandong Gao, Ji Wu,
• Abstract要約: 多くの既存特徴選択手法は時系列情報を効果的に活用するには不十分である。 我々は、最大限のコスト制約の下でポリシーを最適化するために強化学習を採用する。 我々の手法は、微分不可能な予測モデルとシームレスに統合できる。
• 参考スコア（独自算出の注目度）: 4.967941028121525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we investigate dynamic feature selection within multivariate time-series scenario, a common occurrence in clinical prediction monitoring where each feature corresponds to a bio-test result. Many existing feature selection methods fall short in effectively leveraging time-series information, primarily because they are designed for static data. Our approach addresses this limitation by enabling the selection of time-varying feature subsets for each patient. Specifically, we employ reinforcement learning to optimize a policy under maximum cost restrictions. The prediction model is subsequently updated using synthetic data generated by trained policy. Our method can seamlessly integrate with non-differentiable prediction models. We conducted experiments on a sizable clinical dataset encompassing regression and classification tasks. The results demonstrate that our approach outperforms strong feature selection baselines, particularly when subjected to stringent cost limitations. Code will be released once paper is accepted.
• Abstract（参考訳）: 本稿では,多変量時系列シナリオにおける動的特徴選択について検討する。 既存の機能選択手法の多くは、静的データ用に設計されたため、時系列情報を効果的に活用するのに不足している。 本手法は,各患者に対して時間変化のある特徴サブセットの選択を可能にすることで,この制限に対処する。 具体的には,最大コスト制約下での政策最適化に強化学習を用いる。 その後、トレーニングされたポリシーによって生成された合成データを用いて予測モデルを更新する。 我々の手法は、微分不可能な予測モデルとシームレスに統合できる。 退行と分類作業を含む大規模臨床データセットについて実験を行った。 その結果,提案手法は,特にコスト制限の厳しい場合において,強い特徴選択ベースラインよりも優れていることがわかった。 論文が受理されれば、コードはリリースされる。

関連論文リスト

• Adapt-$\infty$: Scalable Lifelong Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、Lifelong Instruction Tuningの新しいマルチウェイおよびアダプティブデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• Guiding adaptive shrinkage by co-data to improve regression-based prediction and feature selection [0.3867363075280544]
  特徴の相補的データである「コデータ」が結果を改善することは広く認識されている。 このようなコデータは、公開リポジトリが利用できるため、ゲノム設定においてユビキタスである。 本稿では,コデータを用いた回帰学習者のクラスである適応縮小法について概説する。
  論文  参考訳（メタデータ） (2024-05-08T09:38:11Z)
• Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
  本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。 このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。 推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
  論文  参考訳（メタデータ） (2024-03-27T21:06:26Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Towards Free Data Selection with General-Purpose Models [71.92151210413374]
  望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。 アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。 FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
  論文  参考訳（メタデータ） (2023-09-29T15:50:14Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Flexible variable selection in the presence of missing data [0.0]
  本稿では,非パラメトリックな変数選択アルゴリズムと多重計算を組み合わせることで,非ランダムなデータが存在する場合のフレキシブルなパネルの開発を行う。 提案手法の動作特性は良好であり,より高い分類性能と可変選択性能を有するパネルが得られた。
  論文  参考訳（メタデータ） (2022-02-25T21:41:03Z)
• Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
  典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。 それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。 提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
  論文  参考訳（メタデータ） (2021-06-08T20:20:36Z)
• Causal Markov Boundaries [0.0]
  観測データを用いて特徴選択と効果推定を改善する方法を紹介します。 本論文では,マルコフ境界の概念を治療成果ペアに拡張する。
  論文  参考訳（メタデータ） (2021-03-12T22:49:10Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。