論文の概要: Visual Analysis of Multi-outcome Causal Graphs
- arxiv url: http://arxiv.org/abs/2408.02679v1
- Date: Wed, 31 Jul 2024 08:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 16:27:42.358733
- Title: Visual Analysis of Multi-outcome Causal Graphs
- Title（参考訳）: 多出力因果グラフの視覚的解析
- Authors: Mengjie Fan, Jinlu Yu, Daniel Weiskopf, Nan Cao, Huai-Yu Wang, Liang Zhou,
- Abstract要約: 結果変数の異なる複数の因果グラフの視覚的解析法,すなわちマルチアウトカム因果グラフを提案する。
分析過程の異なる段階における2つの比較可視化手法を考案するため,我々は医療専門家と共同で研究を行った。
- 参考スコア（独自算出の注目度）: 21.406338910685232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a visual analysis method for multiple causal graphs with different outcome variables, namely, multi-outcome causal graphs. Multi-outcome causal graphs are important in healthcare for understanding multimorbidity and comorbidity. To support the visual analysis, we collaborated with medical experts to devise two comparative visualization techniques at different stages of the analysis process. First, a progressive visualization method is proposed for comparing multiple state-of-the-art causal discovery algorithms. The method can handle mixed-type datasets comprising both continuous and categorical variables and assist in the creation of a fine-tuned causal graph of a single outcome. Second, a comparative graph layout technique and specialized visual encodings are devised for the quick comparison of multiple causal graphs. In our visual analysis approach, analysts start by building individual causal graphs for each outcome variable, and then, multi-outcome causal graphs are generated and visualized with our comparative technique for analyzing differences and commonalities of these causal graphs. Evaluation includes quantitative measurements on benchmark datasets, a case study with a medical expert, and expert user studies with real-world health research data.
- Abstract（参考訳）: 結果変数の異なる複数の因果グラフの視覚的解析法,すなわちマルチアウトカム因果グラフを提案する。
マルチ・アウトカム因果グラフは、マルチモービディティーとコオービディティを理解するために医療において重要である。
視覚分析を支援するために,我々は医療専門家と共同で,分析プロセスの異なる段階における2つの比較可視化手法を考案した。
まず,複数の最先端因果探索アルゴリズムを比較するために,プログレッシブ・ビジュアライゼーション法を提案する。
連続変数とカテゴリー変数の両方からなる混合型データセットを処理し、単一結果の微調整因果グラフの作成を支援する。
次に,複数の因果グラフを高速に比較するために,比較グラフレイアウト法と特殊視覚符号化法を考案した。
視覚分析アプローチでは,まず各結果変数に対して個別の因果グラフを構築することから始め,これらの因果グラフの違いや共通点を分析するための比較手法を用いて,多出力因果グラフを生成し,視覚化する。
評価には、ベンチマークデータセットの定量的測定、医療専門家によるケーススタディ、現実世界の健康調査データによる専門家のユーザスタディが含まれる。
関連論文リスト
- Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。
有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文 参考訳（メタデータ） (2024-10-16T00:01:31Z) - Challenges of Generating Structurally Diverse Graphs [16.458641457996443]
グラフの集合に対する多様性の定義方法、このタスクが非自明な理由、そして適切な多様性尺度を選択する方法について議論する。
本研究では,基本ランダムグラフ生成器の多様性を著しく向上させることが可能であることを示す。
論文 参考訳（メタデータ） (2024-09-27T15:54:49Z) - Multi-Scale Subgraph Contrastive Learning [9.972544118719572]
細粒度セマンティック情報を特徴付けるマルチスケールサブグラフコントラスト学習アーキテクチャを提案する。
具体的には、サブグラフサンプリングに基づいて、異なるスケールでグローバルおよびローカルなビューを生成し、それらのセマンティックアソシエーションに基づいて複数のコントラスト関係を構築する。
論文 参考訳（メタデータ） (2024-03-05T07:17:18Z) - Multi-modal Multi-kernel Graph Learning for Autism Prediction and
Biomarker Discovery [29.790200009136825]
本稿では,マルチモーダル統合の過程におけるモダリティ間の負の影響を相殺し,グラフから異種情報を抽出する手法を提案する。
本手法は,Autism Brain Imaging Data Exchange (ABIDE) データセットを用いて評価し,最先端の手法よりも優れている。
また,自閉症に関連する差別的脳領域を本モデルにより同定し,自閉症の病態研究の指針を提供する。
論文 参考訳（メタデータ） (2023-03-03T07:09:17Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - Graph Learning for Anomaly Analytics: Algorithms, Applications, and
Challenges [23.594664156516025]
異常分析は様々な研究状況において人気があり重要な課題である。
ディープラーニングは、ノード分類、リンク予測、グラフ分類など、多くのグラフベースのタスクを解決する能力を示している。
多くの研究は、異常解析問題を解決するためのグラフ学習モデルを拡張している。
論文 参考訳（メタデータ） (2022-12-11T16:05:14Z) - Learning Product Graphs from Spectral Templates [3.04585143845864]
グラフ学習(GL)は、データマイニングと機械学習(ML)におけるコネクションの推論と分析の核である
複雑度を著しく低減した製品スペクトルテンプレートからの学習製品(高次元)グラフを提案する。
現在の稀なアプローチとは対照的に、我々のアプローチはグラフ製品の種類を知ることなく、あらゆる種類の製品グラフを学習することができる。
論文 参考訳（メタデータ） (2022-11-05T12:28:11Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-02-07T08:04:59Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z)
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。