論文の概要: Domain Generalization and Adaptation in Intensive Care with Anchor Regression
- arxiv url: http://arxiv.org/abs/2507.21783v1
- Date: Tue, 29 Jul 2025 13:09:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.352495
- Title: Domain Generalization and Adaptation in Intensive Care with Anchor Regression
- Title(参考訳): アンカー回帰を伴う集中治療におけるドメインの一般化と適応
- Authors: Malte Londschien, Manuel Burger, Gunnar Rätsch, Peter Bühlmann,
- Abstract要約: 我々は,9つの異なるICUデータベースから40,000人の患者からなる大規模なデータセットにアンカー回帰を適用し,アンカーブースティングを導入する。
これらの手法は、アンカーの異質性のような理論的な仮定の違反に対して堅牢であるように見える。
大規模外部データデータセットの有用性を定量化する新しい概念的枠組みを提案する。
- 参考スコア(独自算出の注目度): 10.409435948253845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of predictive models in clinical settings often degrades when deployed in new hospitals due to distribution shifts. This paper presents a large-scale study of causality-inspired domain generalization on heterogeneous multi-center intensive care unit (ICU) data. We apply anchor regression and introduce anchor boosting, a novel, tree-based nonlinear extension, to a large dataset comprising 400,000 patients from nine distinct ICU databases. The anchor regularization consistently improves out-of-distribution performance, particularly for the most dissimilar target domains. The methods appear robust to violations of theoretical assumptions, such as anchor exogeneity. Furthermore, we propose a novel conceptual framework to quantify the utility of large external data datasets. By evaluating performance as a function of available target-domain data, we identify three regimes: (i) a domain generalization regime, where only the external model should be used, (ii) a domain adaptation regime, where refitting the external model is optimal, and (iii) a data-rich regime, where external data provides no additional value.
- Abstract(参考訳): 臨床現場における予測モデルの性能は, 転院に伴う転院によって低下することが多い。
本稿では,異種多施設集中治療単位(ICU)データに対する因果性に着想を得た領域一般化の大規模研究について述べる。
我々は,9つの異なるICUデータベースから40,000人の患者からなる大規模データセットに対して,アンカー回帰と,新しい木に基づく非線形拡張であるアンカーブースティングを導入する。
アンカー正規化は、特に最も異なるターゲットドメインにおいて、配当外のパフォーマンスを一貫して改善する。
これらの手法は、アンカーの異質性のような理論的な仮定の違反に対して堅牢であるように見える。
さらに,大規模な外部データデータセットの有用性を定量化する新しい概念的枠組みを提案する。
利用可能なターゲットドメインデータの関数としての性能を評価することで、3つのルールを識別する。
(i)外部モデルのみを使用する領域一般化体制。
二 外部モデルの再適合が最適である領域適応体制
(iii)外部データが付加価値を提供しないデータリッチなレシエーション。
関連論文リスト
- Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。
本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。
本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文 参考訳(メタデータ) (2025-07-12T08:10:10Z) - Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。
我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。
本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文 参考訳(メタデータ) (2025-03-30T22:06:37Z) - Generalization Capabilities of Neural Cellular Automata for Medical Image Segmentation: A Robust and Lightweight Approach [6.537479355990391]
U-Netは、トレーニング分布から逸脱したデータでテストすると、パフォーマンスが大幅に低下する。
本稿では,従来のU-Netに比べて3桁の規模(すなわちx1000)のモデルを活用することの意味について検討する。
論文 参考訳(メタデータ) (2024-08-28T06:18:55Z) - Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳(メタデータ) (2024-07-15T05:09:50Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳(メタデータ) (2024-06-01T08:01:05Z) - Utilizing Weak-to-Strong Consistency for Semi-Supervised Glomeruli Segmentation [0.803784679671919]
本稿では,複数の実世界のデータセット上で検証された弱強整合性フレームワークに基づく,糸球体セグメンテーションのための半教師付き学習手法を提案する。
3つの独立したデータセットに対する実験結果は、既存の教師付きベースラインモデルと比較して、アプローチの優れた性能を示している。
論文 参考訳(メタデータ) (2024-05-30T10:19:21Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Scalable Regularised Joint Mixture Models [2.0686407686198263]
多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。
我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。
このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
論文 参考訳(メタデータ) (2022-05-03T13:38:58Z) - Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。
命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。
データセットの適応、分類、計算を共同で行う利点を示す。
論文 参考訳(メタデータ) (2021-09-16T06:37:07Z) - A Unified Theory of Decentralized SGD with Changing Topology and Local
Updates [70.9701218475002]
分散通信方式の統一収束解析を導入する。
いくつかの応用に対して普遍収束率を導出する。
私たちの証明は弱い仮定に依存している。
論文 参考訳(メタデータ) (2020-03-23T17:49:15Z)
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。