論文の概要: Decision-Focused Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2410.01767v1
• Date: Wed, 2 Oct 2024 17:22:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 15:24:19.084512
• Title: Decision-Focused Uncertainty Quantification
• Title（参考訳）: 決定に焦点をあてた不確かさの定量化
• Authors: Santiago Cortes-Gomez, Carlos Patiño, Yewon Byun, Steven Wu, Eric Horvitz, Bryan Wilder,
• Abstract要約: 我々は、下流決定損失関数を考慮した予測セットを生成するために、共形予測に基づくフレームワークを開発する。 本手法は皮膚疾患の階層構造を効果的に取り入れた医療診断における実世界のユースケースを提案する。
• 参考スコア（独自算出の注目度）: 32.93992587758183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is increasing interest in ''decision-focused'' machine learning methods which train models to account for how their predictions are used in downstream optimization problems. Doing so can often improve performance on subsequent decision problems. However, current methods for uncertainty quantification do not incorporate any information at all about downstream decisions. We develop a framework based on conformal prediction to produce prediction sets that account for a downstream decision loss function, making them more appropriate to inform high-stakes decision-making. Our approach harnesses the strengths of conformal methods--modularity, model-agnosticism, and statistical coverage guarantees--while incorporating downstream decisions and user-specified utility functions. We prove that our methods retain standard coverage guarantees. Empirical evaluation across a range of datasets and utility metrics demonstrates that our methods achieve significantly lower decision loss compared to standard conformal methods. Additionally, we present a real-world use case in healthcare diagnosis, where our method effectively incorporates the hierarchical structure of dermatological diseases. It successfully generates sets with coherent diagnostic meaning, aiding the triage process during dermatology diagnosis and illustrating how our method can ground high-stakes decision-making on external domain knowledge.
• Abstract（参考訳）: 下流最適化問題において、予測がどのように使用されるかをモデルに訓練する'決定中心'機械学習手法への関心が高まっている。 そうすることで、後続の意思決定におけるパフォーマンスが向上することが多い。 しかし、現在の不確実性定量化の方法は下流の決定に関する情報を全く含まない。 本研究では, 下流決定損失関数を考慮した予測セットを生成するために, 整合予測に基づくフレームワークを開発する。 提案手法は, 下流決定とユーザ特定ユーティリティ機能を取り入れつつ, モジュラリティ, モデル非依存, 統計的カバレッジ保証の強みを利用する。 我々は,本手法が標準カバレッジ保証を維持していることを証明した。 各種データセットおよび実用指標の実証評価により,本手法が標準コンフォメーション法に比べて決定損失が有意に低いことを示す。 また,臨床診断における現実的なユースケースとして,皮膚疾患の階層構造を効果的に取り入れた手法を提案する。 本手法は,コヒーレントな診断意味を持つセットを生成し,皮膚科診断におけるトリアージプロセスを支援し,我々の手法が外部領域の知識に基づいて高い意思決定を下す方法を示す。

関連論文リスト

• Uncertainty-Aware Optimal Treatment Selection for Clinical Time Series [4.656302602746229]
  本稿では,非現実的推定手法と不確実性定量化を組み合わせた新しい手法を提案する。 本手法は2つのシミュレーションデータセットを用いて検証し,1つは心血管系,もう1つはCOVID-19に焦点を当てた。 提案手法は, 異なる推定基準値にまたがって頑健な性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-10-11T13:56:25Z)
• Toward an Integrated Decision Making Framework for Optimized Stroke Diagnosis with DSA and Treatment under Uncertainty [0.0]
  DSA (Digital Subtraction Angiography) などの最近の診断法は, 高コストと侵襲性による限界に直面している。 本稿では,部分観測可能なマルコフ決定プロセス(POMDP)フレームワークを用いた新しい手法を提案する。 本モデルは,脳卒中診断における不確かさを考慮に入れた意思決定アルゴリズムと,高度な診断ツールと治療アプローチを統合した。
  論文  参考訳（メタデータ） (2024-07-24T03:01:55Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Empirical Validation of Conformal Prediction for Trustworthy Skin Lesions Classification [3.7305040207339286]
  我々は、深層ニューラルネットワークにおける不確実性定量化を評価するために、コンフォーマル予測、モンテカルロドロップアウト、およびエビデンシャルディープラーニングアプローチを開発した。 結果: 実験結果から, 不確実性定量化はコンフォーマル予測法により著しく向上した。 我々の結論は、様々なテスト条件にまたがる整合予測の頑健で一貫した性能を強調している。
  論文  参考訳（メタデータ） (2023-12-12T17:37:16Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation [7.313010190714819]
  モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です 自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。 医用画像解析設定においてどの方法が好ましいかは不明確である。
  論文  参考訳（メタデータ） (2023-08-15T00:09:33Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Stein Variational Model Predictive Control [130.60527864489168]
  不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。 モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。 この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
  論文  参考訳（メタデータ） (2020-11-15T22:36:59Z)

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。