Fugu-MT 論文翻訳(概要): NOCTA: Non-Greedy Objective Cost-Tradeoff Acquisition for Longitudinal Data

論文の概要: NOCTA: Non-Greedy Objective Cost-Tradeoff Acquisition for Longitudinal Data

arxiv url: http://arxiv.org/abs/2507.12412v1
Date: Wed, 16 Jul 2025 17:00:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-17 19:00:11.480418
Title: NOCTA: Non-Greedy Objective Cost-Tradeoff Acquisition for Longitudinal Data
Title（参考訳）: NOCTA: 縦断データのための非グレーディ目的コストトレーダオフ買収
Authors: Dzung Dinh, Boqi Chen, Marc Niethammer, Junier Oliva,
Abstract要約: 提案手法は,Non-Greedy Objective Cost-Tradeoff Acquisition法であるNOCTAである。まず、NOCTA設定のための凝集性推定ターゲットを導入し、2つの相補的推定器を開発する。合成および実世界の医療データセットの実験により、NOCTAの変種はどちらも既存のベースラインを上回っていることが示された。
参考スコア（独自算出の注目度）: 23.75715594365611
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In many critical applications, resource constraints limit the amount of information that can be gathered to make predictions. For example, in healthcare, patient data often spans diverse features ranging from lab tests to imaging studies. Each feature may carry different information and must be acquired at a respective cost of time, money, or risk to the patient. Moreover, temporal prediction tasks, where both instance features and labels evolve over time, introduce additional complexity in deciding when or what information is important. In this work, we propose NOCTA, a Non-Greedy Objective Cost-Tradeoff Acquisition method that sequentially acquires the most informative features at inference time while accounting for both temporal dynamics and acquisition cost. We first introduce a cohesive estimation target for our NOCTA setting, and then develop two complementary estimators: 1) a non-parametric method based on nearest neighbors to guide the acquisition (NOCTA-NP), and 2) a parametric method that directly predicts the utility of potential acquisitions (NOCTA-P). Experiments on synthetic and real-world medical datasets demonstrate that both NOCTA variants outperform existing baselines.
Abstract（参考訳）: 多くの重要なアプリケーションにおいて、リソース制約は、予測を行うために収集できる情報の量を制限する。例えば、医療では、患者データは検査から画像研究まで多種多様な特徴にまたがることが多い。それぞれの特徴は異なる情報を持ち、それぞれの時間、お金、リスクを患者に与えなければならない。さらに、時間とともにインスタンスの特徴とラベルの両方が進化する時間予測タスクは、いつ、どの情報が重要かを判断する際のさらなる複雑さを導入します。本研究では、時間的ダイナミクスと取得コストの両方を考慮しつつ、推論時に最も情報性の高い特徴を逐次取得するノングレーディ・オブジェクト・コスト・トレーダオフ獲得手法であるNOCTAを提案する。まず、NOCTA設定のための凝集性推定ターゲットを導入し、2つの補完的推定器を開発する。 1)隣人による非パラメトリック手法による買収誘導(NOCTA-NP)及び 2) 潜在的買収(NOCTA-P)の効用を直接予測するパラメトリック手法。合成および実世界の医療データセットの実験により、NOCTAの変種はどちらも既存のベースラインを上回っていることが示された。

関連論文リスト

How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文参考訳（メタデータ） (2024-04-04T13:55:06Z)
Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文参考訳（メタデータ） (2023-10-28T12:08:03Z)
TrackFlow: Multi-Object Tracking with Normalizing Flows [36.86830078167583]
トラッキング・バイ・ディテクトをマルチモーダル・セッティングに拡張することを目的としている。 3D情報の大まかな見積も利用可能であり、他の伝統的なメトリクスとマージする必要がある。提案手法は,複数のトラッキング・バイ・検出アルゴリズムの性能を継続的に向上させる。
論文参考訳（メタデータ） (2023-08-22T15:40:03Z)
Acquisition Conditioned Oracle for Nongreedy Active Feature Acquisition [16.350351668269415]
能動的特徴獲得手法(AFA)の開発私たちは、新しい非パラメトリックオラクルベースのアプローチで、多くの課題を回避できることを示します。
論文参考訳（メタデータ） (2023-02-27T17:02:11Z)
Active Acquisition for Multimodal Temporal Data: A Challenging Decision-Making Task [13.291343999247898]
我々は、マルチモーダル時間データ(A2MT)のアクティブな獲得と呼ばれる挑戦的な意思決定タスクを導入する。我々は,取得する入力のモダリティを積極的に選択し,取得コストと予測性能をトレードオフするエージェントを学習することを目的とする。 A2MTの応用は、医療、ロボティクス、金融といった分野に影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2022-11-09T17:16:36Z)
Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文参考訳（メタデータ） (2022-10-02T06:58:49Z)
Micro-level Reserving for General Insurance Claims using a Long Short-Term Memory Network [0.0]
本稿では,Long Short-Term Memory(LSTM)ニューラルネットワークと呼ばれるディープラーニングアプローチにおいて,粒度情報を組み込んだ離散時間個別保存フレームワークを提案する。ネットワークには2つのタスクがある: 1つは支払いか回復かを分類し、もう1つは対応するゼロでない金額を予測する。
論文参考訳（メタデータ） (2022-01-27T02:49:42Z)
Multitask Learning and Bandits via Robust Statistics [3.103098467546532]
意思決定者は、しばしば多くの関連するが不均一な学習問題に直面している。本稿では,この構造をサンプル効率良く活用する2段階マルチタスク学習推定器を提案する。我々の推定器は、一般的な失業推定器と比較して、特徴次元$d$のサンプル複雑性境界を改善した。
論文参考訳（メタデータ） (2021-12-28T17:37:08Z)
Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文参考訳（メタデータ） (2021-03-22T05:19:40Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。