論文の概要: Learning Predictive Checklists with Probabilistic Logic Programming
- arxiv url: http://arxiv.org/abs/2411.16790v1
- Date: Mon, 25 Nov 2024 09:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:34:20.127855
- Title: Learning Predictive Checklists with Probabilistic Logic Programming
- Title（参考訳）: 確率論的論理プログラミングによる予測チェックリストの学習
- Authors: Yukti Makhija, Edward De Brouwer, Rahul G. Krishnan,
- Abstract要約: 本稿では,画像や時系列などの様々なデータモダリティから予測チェックリストを学習する手法を提案する。
本手法は,チェックリストの離散性と連続値データとのマッチングを可能にする学習パラダイムである確率論的論理プログラミングに依存する。
提案手法は,画像シーケンス,時系列,臨床ノートを含む予測タスクにおいて,さまざまな説明可能な機械学習手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 17.360186431981592
- License:
- Abstract: Checklists have been widely recognized as effective tools for completing complex tasks in a systematic manner. Although originally intended for use in procedural tasks, their interpretability and ease of use have led to their adoption for predictive tasks as well, including in clinical settings. However, designing checklists can be challenging, often requiring expert knowledge and manual rule design based on available data. Recent work has attempted to address this issue by using machine learning to automatically generate predictive checklists from data, although these approaches have been limited to Boolean data. We propose a novel method for learning predictive checklists from diverse data modalities, such as images and time series. Our approach relies on probabilistic logic programming, a learning paradigm that enables matching the discrete nature of checklist with continuous-valued data. We propose a regularization technique to tradeoff between the information captured in discrete concepts of continuous data and permit a tunable level of interpretability for the learned checklist concepts. We demonstrate that our method outperforms various explainable machine learning techniques on prediction tasks involving image sequences, time series, and clinical notes.
- Abstract（参考訳）: チェックリストは複雑なタスクを体系的に完了する効果的なツールとして広く認識されている。
元々は手続き的なタスクでの使用を意図していたが、その解釈可能性と使いやすさは、臨床的な設定を含む予測タスクにも適用された。
しかし、チェックリストの設計は困難であり、しばしば専門家の知識と利用可能なデータに基づいた手動のルール設計を必要とする。
最近の研究は、機械学習を使用してデータから予測チェックリストを自動的に生成することでこの問題に対処しようとしているが、これらのアプローチはBooleanデータに限られている。
本稿では,画像や時系列などの様々なデータモダリティから予測チェックリストを学習する手法を提案する。
本手法は,チェックリストの離散性と連続値データとのマッチングを可能にする学習パラダイムである確率論的論理プログラミングに依存する。
本稿では,連続データの離散的な概念から得られる情報間のトレードオフを正則化する手法を提案し,学習されたチェックリスト概念に対する解釈可能性の調整を可能にする。
提案手法は,画像シーケンス,時系列,臨床ノートを含む予測タスクにおいて,さまざまな説明可能な機械学習手法より優れていることを示す。
関連論文リスト
- Creating a Trajectory for Code Writing: Algorithmic Reasoning Tasks [0.923607423080658]
本稿では,楽器とその検証に用いる機械学習モデルについて述べる。
我々は,学期最後の週に導入プログラミングコースで収集したデータを用いてきた。
先行研究は、ARTタイプの楽器を特定の機械学習モデルと組み合わせて効果的な学習軌道として機能させることができることを示唆している。
論文 参考訳（メタデータ） (2024-04-03T05:07:01Z) - Third-Party Language Model Performance Prediction from Instruction [59.574169249307054]
言語モデルに基づく命令フォローシステムは、最近、多くのベンチマークタスクのパフォーマンスが向上している。
ユーザは、応答が正確かどうかを判断することなく、命令付きモデルを容易に促すことができる。
本稿では,タスク上での指示追従システムの評価から得られたメトリックを予測するために,別のモデルを訓練した第三者のパフォーマンス予測フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-19T03:53:47Z) - A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。
本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-15T12:05:44Z) - STUNT: Few-shot Tabular Learning with Self-generated Tasks from
Unlabeled Tables [64.0903766169603]
我々は,Unlabeled Tables (STUNT) からの自己生成タスクを作成した,数発のセミ教師付き学習のためのフレームワークを提案する。
私たちのキーとなるアイデアは、ランダムに選択された列をターゲットラベルとして扱うことで、多様なショットタスクを自己生成することです。
次に、メタラーニング手法を用いて、構築されたタスクで一般化可能な知識を学習する。
論文 参考訳（メタデータ） (2023-03-02T02:37:54Z) - Learning predictive checklists from continuous medical data [5.37133760455631]
チェックリストは、その有効性と高い解釈性により、日常的な臨床実践で非常に人気がある。
最近の研究は、カテゴリーデータから予測チェックリストを学習することで、その方向への一歩を踏み出した。
この拡張は、敗血症の予測に基づいて、さまざまな説明可能な機械学習ベースラインを上回ります。
論文 参考訳（メタデータ） (2022-11-14T02:51:04Z) - What and How of Machine Learning Transparency: Building Bespoke
Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。
これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
論文 参考訳（メタデータ） (2022-09-08T13:33:25Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Learning Optimal Predictive Checklists [22.91829410102425]
予測チェックリストを2値特徴と単位重みを持つ離散線形分類器として表現する。
次に、整数計画問題の解法により、データからグローバルに最適な予測チェックリストを学習する。
以上の結果から,提案手法はシンプルな予測チェックリストに適合し,よりリッチなカスタム制約に従うように容易にカスタマイズできることがわかった。
論文 参考訳（メタデータ） (2021-12-02T07:15:28Z) - Leveraging Time Irreversibility with Order-Contrastive Pre-training [3.1848820580333737]
時系列データに基づく自己教師付き事前学習のための「順序コントラスト」手法について検討する。
本研究では,順序コントラスト事前学習で学習した表現の下流誤差に対する有限サンプル保証を証明した。
この結果から,特定の分布クラスや下流タスクのために設計された事前学習手法が,自己指導型学習の性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2021-11-04T02:56:52Z) - BAMLD: Bayesian Active Meta-Learning by Disagreement [39.59987601426039]
本稿では,メタトレーニングタスクのラベル付け要求数を削減するための情報理論アクティブタスク選択機構を提案する。
本稿では,既存の取得メカニズムと比較した実験結果について報告する。
論文 参考訳（メタデータ） (2021-10-19T13:06:51Z) - Curriculum Learning: A Survey [65.31516318260759]
カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。
我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。
集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
論文 参考訳（メタデータ） (2021-01-25T20:08:32Z)
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。