論文の概要: SEANN: A Domain-Informed Neural Network for Epidemiological Insights
- arxiv url: http://arxiv.org/abs/2501.10273v1
- Date: Fri, 17 Jan 2025 16:01:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-20 14:00:30.808944
- Title: SEANN: A Domain-Informed Neural Network for Epidemiological Insights
- Title(参考訳): SEANN: 疫学的考察のためのドメインインフォームニューラルネットワーク
- Authors: Jean-Baptiste Guimbaud, Marc Plantevit, Léa Maître, Rémy Cazabet,
- Abstract要約: ドメイン固有知識の一般的な形式を活用した情報診断のための新しいアプローチSEANNを紹介します:pooled Effect Sizes (PES)
PESは、公表されたメタ分析研究でよく見られ、異なる形態で、科学的コンセンサスの定量的な形態を表している。
本研究では, 予測性能の一般化可能性および抽出された関係の科学的妥当性について, 有意な改善を実験的に示す。
- 参考スコア(独自算出の注目度): 0.9749638953163389
- License:
- Abstract: In epidemiology, traditional statistical methods such as logistic regression, linear regression, and other parametric models are commonly employed to investigate associations between predictors and health outcomes. However, non-parametric machine learning techniques, such as deep neural networks (DNNs), coupled with explainable AI (XAI) tools, offer new opportunities for this task. Despite their potential, these methods face challenges due to the limited availability of high-quality, high-quantity data in this field. To address these challenges, we introduce SEANN, a novel approach for informed DNNs that leverages a prevalent form of domain-specific knowledge: Pooled Effect Sizes (PES). PESs are commonly found in published Meta-Analysis studies, in different forms, and represent a quantitative form of a scientific consensus. By direct integration within the learning procedure using a custom loss, we experimentally demonstrate significant improvements in the generalizability of predictive performances and the scientific plausibility of extracted relationships compared to a domain-knowledge agnostic neural network in a scarce and noisy data setting.
- Abstract(参考訳): 疫学において、ロジスティック回帰、線形回帰、その他のパラメトリックモデルといった伝統的な統計手法は、予測値と健康結果の関係を調べるために一般的に用いられる。
しかし、ディープニューラルネットワーク(DNN)のような非パラメトリック機械学習技術と説明可能なAI(XAI)ツールを組み合わせることで、このタスクに新たな機会を提供する。
それらの可能性にもかかわらず、これらの手法は、この分野における高品質で高頻度のデータの利用が限られているため、課題に直面している。
これらの課題に対処するために、私たちは、ドメイン固有知識の一般的な形式であるPooled Effect Sizes (PES)を活用する、情報DNNのための新しいアプローチであるSEANNを紹介します。
PESは、公表されたメタ分析研究でよく見られ、異なる形態で、科学的コンセンサスの定量的な形態を表している。
カスタム・ロスを用いた学習手順の直接統合により,予測性能の一般化可能性および抽出された関係の科学的妥当性を,希少でノイズの多いデータ環境におけるドメイン知識に依存しないニューラルネットワークと比較して,実験的に明らかにした。
関連論文リスト
- Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳(メタデータ) (2024-06-20T21:13:39Z) - Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data [0.0]
我々は,「小さなデータ」体制下でのアクティブな学習タスクに対して,完全ベイズニューラルネットワーク(FBNN)を導入する。
FBNNは信頼性の高い予測分布を提供し、アクティブな学習環境における不確実性の下で情報的意思決定に不可欠である。
そこで我々は,FBNNの「小型データ」システムにおけるアクティブな学習課題に対するNo-U-Turn Samplerを用いて,FBNNの適合性と性能を評価する。
論文 参考訳(メタデータ) (2024-05-16T05:20:47Z) - A Kernel-Based Neural Network Test for High-dimensional Sequencing Data
Analysis [0.8221435109014762]
シーケンシングデータの複雑な関連解析のための新しいカーネルベースニューラルネットワーク(KNN)テストを導入する。
KNNに基づいて、高次元遺伝データの関心の表現型との結合性を評価するために、ウォルド型試験が導入された。
論文 参考訳(メタデータ) (2023-12-05T16:06:23Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Asymptotic-Preserving Neural Networks for hyperbolic systems with
diffusive scaling [0.0]
Asymptotic-Preserving Neural Networks (APNN) は,標準のDNNやPINNと比較して,問題スケールの違いに対して,かなり優れた結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-10-17T13:30:34Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Handling Non-ignorably Missing Features in Electronic Health Records
Data Using Importance-Weighted Autoencoders [8.518166245293703]
本稿では,生体データのランダムなパターンではなく,欠落を柔軟に扱うために,重要度重み付きオートエンコーダ(iwaes)と呼ばれるvaesの新たな拡張を提案する。
提案手法は,組み込みニューラルネットワークを用いて欠落機構をモデル化し,欠落機構の正確な形式を事前に指定する必要をなくした。
論文 参考訳(メタデータ) (2021-01-18T22:53:29Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。