論文の概要: Interpretable Hybrid-Rule Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2504.11344v2
• Date: Sat, 19 Apr 2025 11:39:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 12:01:36.203348
• Title: Interpretable Hybrid-Rule Temporal Point Processes
• Title（参考訳）: 解釈可能なハイブリッド・ルール時間点過程
• Authors: Yunyang Cao, Juekai Lin, Hongye Wang, Wenhao Li, Bo Jin,
• Abstract要約: 時間的ポイントプロセス(TPP)は、様々な医療領域におけるイベントシーケンスのモデル化に広く用いられている。 近年、解釈可能なTPPを導入しているが、これらの手法は数値的特徴を取り入れていない。 本稿では,時間論理ルールと数値的特徴を統合する新しいフレームワークであるHybrid-Rule Temporal Point Processes (HRTPP)を提案する。
• 参考スコア（独自算出の注目度）: 14.894965496467647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Point Processes (TPPs) are widely used for modeling event sequences in various medical domains, such as disease onset prediction, progression analysis, and clinical decision support. Although TPPs effectively capture temporal dynamics, their lack of interpretability remains a critical challenge. Recent advancements have introduced interpretable TPPs. However, these methods fail to incorporate numerical features, thereby limiting their ability to generate precise predictions. To address this issue, we propose Hybrid-Rule Temporal Point Processes (HRTPP), a novel framework that integrates temporal logic rules with numerical features, improving both interpretability and predictive accuracy in event modeling. HRTPP comprises three key components: basic intensity for intrinsic event likelihood, rule-based intensity for structured temporal dependencies, and numerical feature intensity for dynamic probability modulation. To effectively discover valid rules, we introduce a two-phase rule mining strategy with Bayesian optimization. To evaluate our method, we establish a multi-criteria assessment framework, incorporating rule validity, model fitting, and temporal predictive accuracy. Experimental results on real-world medical datasets demonstrate that HRTPP outperforms state-of-the-art interpretable TPPs in terms of predictive performance and clinical interpretability. In case studies, the rules extracted by HRTPP explain the disease progression, offering valuable contributions to medical diagnosis.
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は、疾患発症予測、進行分析、臨床診断支援など、様々な医療領域におけるイベントシーケンスのモデル化に広く用いられている。 TPPは時間的ダイナミクスを効果的に捉えるが、解釈可能性の欠如は依然として重要な課題である。 最近の進歩は解釈可能なTPPを導入している。 しかし、これらの手法は数値的特徴を組み込むことができず、それによって正確な予測を生成する能力が制限される。 この問題を解決するために,時間論理ルールと数値的特徴を統合する新しいフレームワークであるHybrid-Rule Temporal Point Processes (HRTPP)を提案する。 HRTPPは、固有事象確率の基本強度、構造化時間依存性の規則ベース強度、動的確率変調の数値的特徴強度の3つの重要な構成要素から構成される。 有効なルールを効果的に発見するために,ベイズ最適化を用いた2相ルールマイニング戦略を導入する。 提案手法を評価するために,ルール妥当性,モデル適合性,時間的予測精度を取り入れた多条件評価フレームワークを構築した。 実世界の医療データセットを用いた実験結果から,HRTPPは予測性能と臨床的解釈可能性において最先端の解釈可能なTPPよりも優れていることが示された。 ケーススタディでは、HRTPPによって抽出されたルールが疾患の進行を説明し、医学的診断に有用な貢献を提供する。

関連論文リスト

• TFT-multi: simultaneous forecasting of vital sign trajectories in the ICU [0.0]
  医療データにおける軌道予測は、計算手法の精度ケアと臨床統合において重要な研究領域である。 我々は、多次元時系列予測ツールであるフレームワーク時間融合変換器(TFT)を拡張し、TFT-multiを提案する。 集中治療室で記録された5つのバイタルサイン (血圧, 脈拍, SpO2, 温度, 呼吸速度) の予測にTFT-multiを適用した。
  論文  参考訳（メタデータ） (2024-09-23T22:36:37Z)
• A Hybrid Multi-Factor Network with Dynamic Sequence Modeling for Early Warning of Intraoperative Hypotension [2.7807763048110337]
  過去の生理的信号を用いた術中低血圧(IOH)予測は重要である。 既存のIOH予測手法は、しばしば静的モデリングに依存している。 IOH予測を動的シーケンス予測問題としてモデル化するハイブリッドマルチファクター(HMF)ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-17T10:46:41Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
  本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。 ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
  論文  参考訳（メタデータ） (2024-07-24T11:12:01Z)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data [3.13468877208035]
  時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。 ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。 本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
  論文  参考訳（メタデータ） (2023-06-29T16:14:43Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Neural Temporal Point Processes For Modelling Electronic Health Records [2.1836918611973366]
  EHRを時間的ポイントプロセスによって生成されるサンプルとして扱う。 本稿では、TPPのニューラルネットワークパラメータ化を提案し、これを総合的にNeural TPPと呼ぶ。 以上の結果から,TPP は EHR において非TPP よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-27T18:16:54Z)

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。