Fugu-MT 論文翻訳(概要): Towards Dynamic Feature Acquisition on Medical Time Series by Maximizing Conditional Mutual Information

論文の概要: Towards Dynamic Feature Acquisition on Medical Time Series by Maximizing Conditional Mutual Information

arxiv url: http://arxiv.org/abs/2407.13429v1
Date: Thu, 18 Jul 2024 11:54:34 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 15:30:45.998360
Title: Towards Dynamic Feature Acquisition on Medical Time Series by Maximizing Conditional Mutual Information
Title（参考訳）: 条件付き相互情報の最大化による医療時系列の動的特徴獲得に向けて
Authors: Fedor Sergeev, Paola Malsot, Gunnar Rätsch, Vincent Fortuin,
Abstract要約: 医療やウェアラブルにおいて、どの時系列を計測し、いつ測定するかを知ることが重要な課題だ。条件付き相互情報から着想を得て,下流損失のみを用いてエンド・ツー・エンドの学習者へのアプローチを提案する。
参考スコア（独自算出の注目度）: 11.882952809819855
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowing which features of a multivariate time series to measure and when is a key task in medicine, wearables, and robotics. Better acquisition policies can reduce costs while maintaining or even improving the performance of downstream predictors. Inspired by the maximization of conditional mutual information, we propose an approach to train acquirers end-to-end using only the downstream loss. We show that our method outperforms random acquisition policy, matches a model with an unrestrained budget, but does not yet overtake a static acquisition strategy. We highlight the assumptions and outline avenues for future work.
Abstract（参考訳）: 多変量時系列のどの特徴を計測し、いつ測定するかを知ることは、医療、ウェアラブル、ロボット工学において重要な課題である。より良い買収ポリシーは、下流予測器の性能を維持したり改善したりしながらコストを削減できる。条件付き相互情報の最大化に着想を得て,下流損失のみを用いてエンド・ツー・エンドの学習を行う手法を提案する。提案手法はランダムな獲得ポリシーよりも優れており,制約のない予算モデルと一致しているが,まだ静的な獲得戦略に勝っていないことを示す。今後の作業の前提と方法の概略を強調します。

関連論文リスト

Near-Optimal Dynamic Regret for Adversarial Linear Mixture MDPs [63.47351876442425]
本研究は,完全情報フィードバックの下で,相変わらずの相変わらずの線形混合MDPについて検討した。本稿では,占領率に基づく手法と政策に基づく手法の利点を組み合わせた新しいアルゴリズムを提案する。我々のアルゴリズムは$widetildemathcalO(d sqrtH3 K + sqrtHK(H + barP_K$)$ dynamic regret, ここで$d$は特徴次元である。
論文参考訳（メタデータ） (2024-11-05T13:55:52Z)
Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
論文参考訳（メタデータ） (2024-07-11T10:35:53Z)
Metalearners for Ranking Treatment Effects [1.469168639465869]
政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。
論文参考訳（メタデータ） (2024-05-03T15:31:18Z)
Bayesian Inverse Transition Learning for Offline Settings [30.10905852013852]
強化学習は、医療や教育などの領域におけるシーケンシャルな意思決定に一般的に用いられる。我々は、遷移力学の後方分布を確実に学習するために、デシダラタを捕捉する新しい制約ベースのアプローチを提案する。その結果、制約を用いることで、高いパフォーマンスのポリシーを学習し、異なるデータセットに対するポリシーのばらつきを著しく低減することを示した。
論文参考訳（メタデータ） (2023-08-09T17:08:29Z)
Estimating Conditional Mutual Information for Dynamic Feature Selection [14.706269510726356]
動的な特徴選択は、機能獲得コストを削減し、モデルの予測に透明性を提供する、有望なパラダイムである。ここでは、情報理論の観点から、応答変数との相互情報に基づいて特徴を優先順位付けする。提案手法は, 様々なデータセットにわたる最近の手法に対して一貫した利得を提供する。
論文参考訳（メタデータ） (2023-06-05T23:03:03Z)
Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation [25.53238782264327]
本稿では、需要予測と最適化技術の必要性を排除したデータ駆動型の収益管理手法を提案する。我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。以上の結果から,我々のデータ駆動手法は,幅広い設定において理論的に最適(1%の収益格差)に近いままであることがわかった。
論文参考訳（メタデータ） (2023-04-14T21:10:13Z)
Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文参考訳（メタデータ） (2023-03-28T00:23:23Z)
Autoregressive Bandits [58.46584210388307]
本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
論文参考訳（メタデータ） (2022-12-12T21:37:36Z)
Lifelong Hyper-Policy Optimization with Multiple Importance Sampling Regularization [40.17392342387002]
本稿では,その時にクエリされるポリシーのパラメータを出力する,入力が時間である超政治を学習する手法を提案する。この超政治は、推定される将来のパフォーマンスを最大化し、重要サンプリングによって過去のデータを効率的に再利用するように訓練されている。実環境において、最先端のアルゴリズムと比較して、我々のアプローチを実証的に検証する。
論文参考訳（メタデータ） (2021-12-13T13:09:49Z)
APS: Active Pretraining with Successor Features [96.24533716878055]
非エントロピーと後継指標であるHansenFastを再解釈して組み合わせることで、難解な相互情報を効率的に最適化できることを示す。提案手法は,非エントロピーを用いて環境を探索し,探索したデータを効率的に活用して動作を学習する。
論文参考訳（メタデータ） (2021-08-31T16:30:35Z)
Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
論文参考訳（メタデータ） (2020-05-17T03:41:19Z)

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。