論文の概要: TAMER: A Test-Time Adaptive MoE-Driven Framework for EHR Representation Learning

• arxiv url: http://arxiv.org/abs/2501.05661v1
• Date: Fri, 10 Jan 2025 02:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:55.300365
• Title: TAMER: A Test-Time Adaptive MoE-Driven Framework for EHR Representation Learning
• Title（参考訳）: TAMER: EHR表現学習のためのテスト時間適応型MoE駆動フレームワーク
• Authors: Yinghao Zhu, Xiaochen Zheng, Ahmed Allam, Michael Krauthammer,
• Abstract要約: TAMERは、EHR表現学習のためのテストタイム適応型MoE駆動フレームワークである。 MoEコンポーネントは多様な患者サブグループを処理し、TTAは進化する健康状態分布へのリアルタイム適応を可能にする。
• 参考スコア（独自算出の注目度）: 0.5956922261493236
• License:
• Abstract: We propose TAMER, a Test-time Adaptive MoE-driven framework for EHR Representation learning. TAMER combines a Mixture-of-Experts (MoE) with Test-Time Adaptation (TTA) to address two critical challenges in EHR modeling: patient population heterogeneity and distribution shifts. The MoE component handles diverse patient subgroups, while TTA enables real-time adaptation to evolving health status distributions when new patient samples are introduced. Extensive experiments across four real-world EHR datasets demonstrate that TAMER consistently improves predictive performance for both mortality and readmission risk tasks when combined with diverse EHR modeling backbones. TAMER offers a promising approach for dynamic and personalized EHR-based predictions in practical clinical settings. Code is publicly available at https://github.com/yhzhu99/TAMER.
• Abstract（参考訳）: EHR表現学習のためのテスト時間適応型MoE駆動型フレームワークであるTAMERを提案する。 TAMERは、Mixture-of-Experts (MoE)とTest-Time Adaptation (TTA)を組み合わせて、EHRモデリングにおける2つの重要な課題に対処する。 MoEコンポーネントは多様な患者サブグループを処理し、TTAは、新しい患者サンプルが導入されたときに、進化する健康状態分布へのリアルタイム適応を可能にする。 4つの実世界の EHR データセットにわたる大規模な実験により、TAMER は多様な EHR モデリングバックボーンと組み合わせることで、死亡率と再起動リスクタスクの予測性能を一貫して改善することを示した。 TAMERは、実用的な臨床環境での動的かつパーソナライズされたEHRベースの予測に有望なアプローチを提供する。 コードはhttps://github.com/yhzhu99/TAMERで公開されている。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition [0.862468061241377]
  本稿では,感情認識のためのソフトコントラスト・マスケッド・モデリング(SCMM)フレームワークを提案する。 SCMMはソフトコントラスト学習と新しいハイブリッドマスキング戦略を統合し、人間の感情に固有の「短期連続性」特性を効果的にマイニングする。 実験の結果、SCMMは最先端(SOTA)の性能を達成し、平均4.26%の精度で2番目に良い方法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-17T12:35:13Z)
• Probing Perfection: The Relentless Art of Meddling for Pulmonary Airway Segmentation from HRCT via a Human-AI Collaboration Based Active Learning Method [13.384578466263566]
  肺気管分節症では, 注記データの不足が主訴である。 ディープラーニング(DL)メソッドは、'ブラックボックス'モデルの不透明さとパフォーマンス向上の必要性という課題に直面します。 多様なクエリ戦略とさまざまなDLモデルを組み合わせることで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-07-03T23:27:53Z)
• From Basic to Extra Features: Hypergraph Transformer Pretrain-then-Finetuning for Balanced Clinical Predictions on EHR [38.95834240167854]
  本稿では,HTP-Starを提案する。このHTP-Starは,EHRデータモデリングのための事前トレーニング-then-finetuneフレームワークを用いてハイパーグラフ構造を利用する。 HTP-Starは,基本的特徴と付加的特徴を有する患者のバランスを保ちながら,様々なベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-06-09T07:41:03Z)
• MCRAGE: Synthetic Healthcare Data for Fairness [3.0089659534785853]
  そこで本稿では,MCRAGE (Generative Modeling) の強化による不均衡データセットの増大によるマイノリティクラス再バランスを提案する。 MCRAGEは、デノイング拡散確率モデル (Denoising Diffusion Probabilistic Model, CDDPM) を訓練し、未表現のクラスから高品質な合成EHRサンプルを生成する。 この合成データを使用して、既存の不均衡なデータセットを増大させ、その結果、すべてのクラスにまたがるよりバランスの取れた分散を実現します。
  論文  参考訳（メタデータ） (2023-10-27T19:02:22Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
  テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。