論文の概要: Joint Score-Threshold Optimization for Interpretable Risk Assessment Under Partial Supervision
- arxiv url: http://arxiv.org/abs/2510.21934v1
- Date: Fri, 24 Oct 2025 18:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 19:54:32.474771
- Title: Joint Score-Threshold Optimization for Interpretable Risk Assessment Under Partial Supervision
- Title（参考訳）: 部分監督下での解釈可能なリスク評価のための共同スコア閾値最適化
- Authors: Fardin Gankhanloo, Emmett Springer, Erik H. Hoyer, Daniel L. Young, Kimia Ghobadi,
- Abstract要約: 医療におけるリスクアセスメントツールは、通常、しきい値を介して患者を通常のリスクカテゴリにマッピングするポイントベースのスコアリングシステムを使用する。
2つの基本的な課題は、(1)介入検閲の結果から生じる部分的監督、(2)順序距離の増加に伴う非対称的誤分類コストである。
本稿では,これらの制約下でのスコアリング重みとカテゴリ閾値を協調的に最適化する混合整数プログラミングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.059313275041517295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Risk assessment tools in healthcare commonly employ point-based scoring systems that map patients to ordinal risk categories via thresholds. While electronic health record (EHR) data presents opportunities for data-driven optimization of these tools, two fundamental challenges impede standard supervised learning: (1) partial supervision arising from intervention-censored outcomes, where only extreme categories can be reliably labeled, and (2) asymmetric misclassification costs that increase with ordinal distance. We propose a mixed-integer programming (MIP) framework that jointly optimizes scoring weights and category thresholds under these constraints. Our approach handles partial supervision through per-instance feasible label sets, incorporates asymmetric distance-aware objectives, and prevents middle-category collapse via minimum threshold gaps. We further develop a CSO relaxation using softplus losses that preserves the ordinal structure while enabling efficient optimization. The framework supports governance constraints including sign restrictions, sparsity, and minimal modifications to incumbent tools, ensuring practical deployability in clinical workflows.
- Abstract（参考訳）: 医療におけるリスクアセスメントツールは、通常、しきい値を介して患者を通常のリスクカテゴリにマッピングするポイントベースのスコアリングシステムを使用する。
電子健康記録(EHR)データは、これらのツールをデータ駆動で最適化する機会を示す一方で、(1)極端カテゴリのみを確実にラベル付けできる介入検閲結果から生じる部分的監督、(2)順序距離の増加に伴う非対称的な誤分類コストの2つの基本的な課題が標準教師付き学習を妨げる。
本稿では,これらの制約下でのスコアリング重みとカテゴリ閾値を協調的に最適化する混合整数プログラミング(MIP)フレームワークを提案する。
提案手法は,非対称な距離認識目標を取り入れ,最小限の閾値差による中間カテゴリー崩壊を防止する。
さらに、効率的な最適化を実現しつつ、順序構造を保存するソフトプラス損失を用いたCSO緩和を開発する。
このフレームワークは、署名の制限、スパーシリティ、既存のツールへの最小限の変更を含むガバナンスの制約をサポートし、臨床ワークフローにおける実用的なデプロイ性を保証する。
関連論文リスト
- Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Set to Be Fair: Demographic Parity Constraints for Set-Valued Classification [5.085064777896467]
本研究は,人口順と予測サイズ制約の下での集合値分類の問題に対処する。
両制約を満足しながら分類リスクを最小限に抑えるオラクルベースの方法と,制約満足度を優先する計算効率の良いプロキシの2つの補完戦略を提案する。
論文 参考訳（メタデータ） (2025-10-06T15:36:45Z) - Fair Classification by Direct Intervention on Operating Characteristics [16.692307869326395]
複数のグループフェアネス制約を持つ二項分類のための属性認識設定において、グループフェアネスの下で新しい分類器を開発する。
本稿では,事前学習した基底分類器の動作特性を直接介入して,線形分数制約に適用可能な新しい手法を提案する。
標準データセットでは, DP, EO, PPをほとんど介入せず, 精度がほぼ低下し, 同時に近似DP, EO, PPを満足する。
論文 参考訳（メタデータ） (2025-09-29T20:36:32Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。
提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-06-11T06:59:17Z) - The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data [8.916614661563893]
因果推論を両立させるために,MARフレームワークの欠落と関連するアプローチを導入する。
これはラベル付け機構における選択バイアスとラベル付きグループとラベルなしグループの極端な不均衡に同時に対処する。
因果関係の堅牢性を確保するため,平均治療効果に対するバイアス低減SS推定器を提案する。
論文 参考訳（メタデータ） (2023-05-22T07:37:12Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳（メタデータ） (2023-05-20T07:02:27Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - Minimax Pareto Fairness: A Multi Objective Perspective [24.600419295290504]
グループフェアネスは多目的最適化問題であり、各敏感なグループリスクは別個の目的である。
これらの制約を満たすために、ディープニューラルネットワークと互換性のある単純なアルゴリズムを提供する。
提案手法は,収入予測,ICU患者死亡率,皮膚病変分類,信用リスク評価の実際のケーススタディについて検証した。
論文 参考訳（メタデータ） (2020-11-03T16:21:53Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z)
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。