論文の概要: Towards Physiologically Sensible Predictions via the Rule-based Reinforcement Learning Layer

• arxiv url: http://arxiv.org/abs/2501.19055v1
• Date: Fri, 31 Jan 2025 11:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:03:07.727986
• Title: Towards Physiologically Sensible Predictions via the Rule-based Reinforcement Learning Layer
• Title（参考訳）: ルールベース強化学習層による生理的意味のある予測に向けて
• Authors: Lingwei Zhu, Zheng Chen, Yukie Nagai, Jimeng Sun,
• Abstract要約: ルールベースのRL層(RRLL)は、予測者の生理学的に不可能な予測を修正する。 RRLLは入力状態としてラベルを予測し、修正ラベルをアクションとして出力する。 深い分析から、RRLLは生理学的に不可能な予測の存在を効果的に減らし、精度を向上することが示された。
• 参考スコア（独自算出の注目度）: 28.199665362673993
• License:
• Abstract: This paper adds to the growing literature of reinforcement learning (RL) for healthcare by proposing a novel paradigm: augmenting any predictor with Rule-based RL Layer (RRLL) that corrects the model's physiologically impossible predictions. Specifically, RRLL takes as input states predicted labels and outputs corrected labels as actions. The reward of the state-action pair is evaluated by a set of general rules. RRLL is efficient, general and lightweight: it does not require heavy expert knowledge like prior work but only a set of impossible transitions. This set is much smaller than all possible transitions; yet it can effectively reduce physiologically impossible mistakes made by the state-of-the-art predictor models. We verify the utility of RRLL on a variety of important healthcare classification problems and observe significant improvements using the same setup, with only the domain-specific set of impossibility changed. In-depth analysis shows that RRLL indeed improves accuracy by effectively reducing the presence of physiologically impossible predictions.
• Abstract（参考訳）: 本稿では,新たなパラダイムであるルールベースのRL層(RRLL)で予測器を増強し,生理学的に不可能な予測を補正することで,医療のための強化学習(RL)の文献を増大させる。 具体的には、RRLLは入力状態としてラベルを予測し、修正ラベルをアクションとして出力する。 状態-作用対の報酬は、一般的な規則の集合によって評価される。 RRLLは効率的で汎用的で軽量で、事前作業のような高度な専門知識は必要ありません。 このセットは、すべての可能な遷移よりもはるかに小さいが、最先端の予測モデルによる生理学的に不可能な誤りを効果的に低減することができる。 我々は、RRLLの様々な重要な医療分類問題に対する有効性を検証するとともに、ドメイン固有の不合理性セットだけを変えながら、同じ設定を用いて大幅な改善を観察する。 深い分析から、RRLLは生理学的に不可能な予測の存在を効果的に減らし、精度を向上することが示された。

関連論文リスト

• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Predicting Emergent Abilities with Infinite Resolution Evaluation [85.89911520190711]
  本稿では,デコードフェーズにおける大規模なサンプリングを通じて,理論的に無限の分解能を持つ評価戦略であるPassUntilを紹介する。 トレーニング開始前に0.05%の偏差でコード生成における2.4Bモデルの性能を予測する。 スケーリング曲線が標準スケーリング法則関数に適合できないような,高速化された出現の種を同定する。
  論文  参考訳（メタデータ） (2023-10-05T02:35:00Z)
• Test-Time Amendment with a Coarse Classifier for Fine-Grained Classification [10.719054378755981]
  階層的アンサンブル(HiE)と呼ばれるポストホック補正のための新しいアプローチを提案する。 HiEはラベル階層を利用して、粗い粒度予測を用いてテスト時のきめ細かい分類の性能を向上させる。 提案手法は,細粒度クラスにおいてトレーニングデータが減少するにつれて,誤りの重大度が著しく低下する一方で,トップ1の精度において顕著な向上をもたらす。
  論文  参考訳（メタデータ） (2023-02-01T10:55:27Z)
• Understanding Why Generalized Reweighting Does Not Improve Over ERM [36.69039005731499]
  経験的リスク最小化(ERM)は、実際にはトレーニングとテスト分布が異なる分布シフトに対して非破壊的であることが知られている。 この問題を解決するために、重み付けや分散ロバスト最適化(DRO)の変種などの一連のアプローチが提案されている。 しかし、近年の一連の研究は、分散シフトを伴う実際のアプリケーションにおいて、これらのアプローチはERMよりも大幅に改善していないことを実証的に示している。
  論文  参考訳（メタデータ） (2022-01-28T17:58:38Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
  予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。 アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。 本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:21:37Z)

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。