Fugu-MT 論文翻訳(概要): Stabilized Neural Prediction of Potential Outcomes in Continuous Time

論文の概要: Stabilized Neural Prediction of Potential Outcomes in Continuous Time

arxiv url: http://arxiv.org/abs/2410.03514v2
Date: Tue, 8 Oct 2024 14:55:27 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 21:50:00.679611
Title: Stabilized Neural Prediction of Potential Outcomes in Continuous Time
Title（参考訳）: 連続時間における電位出力の安定化ニューラル予測
Authors: Konstantin Hess, Stefan Feuerriegel,
Abstract要約: 安定化連続時間逆確率ネットワーク(SCIP-Net)と呼ばれる新しい手法を提案する。連続時間における時間変化の共起の適切な調整を行う最初の神経学的手法である。
参考スコア（独自算出の注目度）: 23.128421664169654
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Patient trajectories from electronic health records are widely used to predict potential outcomes of treatments over time, which then allows to personalize care. Yet, existing neural methods for this purpose have a key limitation: while some adjust for time-varying confounding, these methods assume that the time series are recorded in discrete time. In other words, they are constrained to settings where measurements and treatments are conducted at fixed time steps, even though this is unrealistic in medical practice. In this work, we aim to predict potential outcomes in continuous time. The latter is of direct practical relevance because it allows for modeling patient trajectories where measurements and treatments take place at arbitrary, irregular timestamps. We thus propose a new method called stabilized continuous time inverse propensity network (SCIP-Net). For this, we further derive stabilized inverse propensity weights for robust prediction of the potential outcomes. To the best of our knowledge, our SCIP-Net is the first neural method that performs proper adjustments for time-varying confounding in continuous time.
Abstract（参考訳）: 電子カルテからの患者軌道は、時間とともに治療の潜在的な結果を予測するために広く使われ、ケアをパーソナライズすることができる。しかし、この目的のための既存のニューラルメソッドには、重要な制限がある: 時間変化の共起を調整しているものもあるが、これらの手法は、時系列が離散時間で記録されていると仮定する。言い換えれば、医療実践では非現実的とはいえ、測定や治療が一定時間に行われるような状況に制約される。この研究は、連続した時間で潜在的な結果を予測することを目的としている。後者は、任意の不規則なタイムスタンプで測定と治療が行われる患者軌道のモデリングを可能にするため、直接的な実用的関連性がある。そこで本稿では、SCIP-Net(Stableed continuous time inverse propensity Network)と呼ばれる新しい手法を提案する。このために、潜在的な結果の頑健な予測のために、安定化された逆確率重みを導出する。我々の知る限りでは、SCIP-Netは、連続的に時間変化のあるコンバウンディングの適切な調整を行う最初のニューラル手法である。

関連論文リスト

Robust Real-Time Mortality Prediction in the Intensive Care Unit using Temporal Difference Learning [3.6548171581505375]
時間差学習(TD)学習は、学習を終末結果ではなく状態遷移のパターンに一般化することで、分散を減らすことができる。本研究では,Semi-Markov Reward Processを用いて,実時間不規則な時系列データにTD学習を適用するためのフレームワークを定義する。我々は,集中治療の死亡率を予測するためのモデル枠組みを評価し,この枠組みの下でのTD学習が,標準的な教師付き学習法と比較してモデルロバスト性の向上をもたらすことを示す。
論文参考訳（メタデータ） (2024-11-06T22:11:20Z)
Spatiotemporal Representation Learning for Short and Long Medical Image Time Series [8.344657414044153]
時間的発達の分析は多くの医療条件の正確な予後に不可欠である。数ヶ月または数年にわたって起こる長期の発達を追跡することは、正確な予後に不可欠である。短期的・長期的分析と臨床的意思決定の両方の重要性にもかかわらず、彼らは医学的深層学習において過小評価されている。
論文参考訳（メタデータ） (2024-03-12T10:47:29Z)
HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
論文参考訳（メタデータ） (2023-11-23T06:17:31Z)
Bayesian Neural Controlled Differential Equations for Treatment Effect Estimation [25.068617118126824]
本研究では,連続時間における治療効果推定のための新しいベイズ型ニューラルネットワーク微分方程式 (BNCDE) を提案する。本手法は医療における信頼性の高い意思決定を促進するための直接的な実用的価値である。
論文参考訳（メタデータ） (2023-10-26T15:10:35Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Path Signatures for Seizure Forecasting [0.6282171844772422]
患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
論文参考訳（メタデータ） (2023-08-18T05:19:18Z)
Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。歴史的情報を適切に再利用するオンライン手法を提案する。我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文参考訳（メタデータ） (2023-02-06T04:03:33Z)
Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文参考訳（メタデータ） (2022-11-09T23:40:52Z)
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文参考訳（メタデータ） (2022-06-16T17:15:15Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。