論文の概要: Bayesian--AI Fusion for Epidemiological Decision Making: Calibrated Risk, Honest Uncertainty, and Hyperparameter Intelligence

• arxiv url: http://arxiv.org/abs/2511.11983v1
• Date: Sat, 15 Nov 2025 01:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.479465
• Title: Bayesian--AI Fusion for Epidemiological Decision Making: Calibrated Risk, Honest Uncertainty, and Hyperparameter Intelligence
• Title（参考訳）: Bayesian-AI Fusion for Epidemiological Decision Making: Calibrated Risk, Honest Uncertainty, and Hyperparameter Intelligence
• Authors: Debashis Chatterjee,
• Abstract要約: 本稿ではベイズ予測とベイズハイパーパラメータ最適化を組み合わせたベイズとAIの統合フレームワークを提案する。 我々はベイジアン・ロジスティック・レグレッションを用いて、ピマ・インディアンズ・ダイアベテス・データセットの校正された個人レベルの病気リスクと信頼区間を得る。 これは、リスクを後続分布として表現するベイズ予測層と、モデル選択をブラックボックスの目的に対する推論として扱うベイズ最適化層である。
• 参考スコア（独自算出の注目度）: 1.2183405753834562
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern epidemiological analytics increasingly use machine learning models that offer strong prediction but often lack calibrated uncertainty. Bayesian methods provide principled uncertainty quantification, yet are viewed as difficult to integrate with contemporary AI workflows. This paper proposes a unified Bayesian and AI framework that combines Bayesian prediction with Bayesian hyperparameter optimization. We use Bayesian logistic regression to obtain calibrated individual-level disease risk and credible intervals on the Pima Indians Diabetes dataset. In parallel, we use Gaussian-process Bayesian optimization to tune penalized Cox survival models on the GBSG2 breast cancer cohort. This yields a two-layer system: a Bayesian predictive layer that represents risk as a posterior distribution, and a Bayesian optimization layer that treats model selection as inference over a black-box objective. Simulation studies in low- and high-dimensional regimes show that the Bayesian layer provides reliable coverage and improved calibration, while Bayesian shrinkage improves AUC, Brier score, and log-loss. Bayesian optimization consistently pushes survival models toward near-oracle concordance. Overall, Bayesian reasoning enhances both what we infer and how we search, enabling calibrated risk and principled hyperparameter intelligence for epidemiological decision making.
• Abstract（参考訳）: 現代の疫学的分析では、強い予測を提供するが、校正された不確実性に欠けるマシンラーニングモデルがますます使用されている。 ベイズ法は原理化された不確実性定量化を提供するが、現代のAIワークフローと統合することは困難であると見なされている。 本稿ではベイズ予測とベイズハイパーパラメータ最適化を組み合わせたベイズとAIの統合フレームワークを提案する。 我々はベイジアン・ロジスティック・レグレッションを用いて、ピマ・インディアンズ・ダイアベテス・データセットの校正された個人レベルの病気リスクと信頼区間を得る。 並行して、ガウス過程のベイズ最適化を用いて、GBSG2乳がんコホート上でのペナル化Cox生存モデルを調整する。 これは、リスクを後続分布として表現するベイズ予測層と、モデル選択をブラックボックスの目的に対する推論として扱うベイズ最適化層である。 低次元および高次元のレシエーションにおけるシミュレーション研究は、ベイズ層が信頼性の高いカバレッジとキャリブレーションの改善を提供するのに対し、ベイズ層はAUC、ブライアスコア、ログロスを改善していることを示している。 ベイズ最適化は、サバイバルモデルをほぼ円に近い一致へと継続的に押し上げる。 全体として、ベイズ推論は我々の推測と探索方法の両方を強化し、疫学的意思決定のために校正されたリスクと原則化されたハイパーパラメータインテリジェンスを可能にします。

関連論文リスト

• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• Adaptive Sampling to Reduce Epistemic Uncertainty Using Prediction Interval-Generation Neural Networks [0.0]
  本稿では,予測モデルにおけるてんかんの不確実性を低減するための適応サンプリング手法を提案する。 我々の主な貢献は、潜在的なてんかんの不確実性を推定する計量の開発である。 ガウス過程(GP)に基づくバッチサンプリング戦略も提案する。 本研究では, 実験肥料の施肥率を選択するために, 3つの一次元合成問題と, 農業分野に基づく多次元データセットについて検討した。
  論文  参考訳（メタデータ） (2024-12-13T21:21:47Z)
• Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
  離散モデル選択問題の連続緩和を利用したスケーラブルなアルゴリズムを提案する。 ベイズ非パラメトリックモデルとしてカウスカルプロセス条件密度推定器(CGP-CDE)を用いる。 この行列は、限界確率と非巡回正規化器を用いて最適化され、最大 A 後方因果グラフを与える。
  論文  参考訳（メタデータ） (2024-11-15T12:55:05Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Posterior temperature optimized Bayesian models for inverse problems in medical imaging [59.82184400837329]
  本研究は, 医用画像における逆問題に対する非教師的ベイズ的アプローチである。 最適化後温度が精度の向上と不確実性評価に繋がることを示す。 ソースコードは calibrated.com/Cardio-AI/mfvi-dip-mia で公開されています。
  論文  参考訳（メタデータ） (2022-02-02T12:16:33Z)
• Contributions to Large Scale Bayesian Inference and Adversarial Machine Learning [0.0]
  ML手法の急速な採用により、モデルは通常、予測の不確実性を考慮せずに決定を下すために採用されていることが明らかになった。 我々は,予測的説明の不確実性を考慮したMLシステムの開発が現実のタスクにとって必須であると考えている。
  論文  参考訳（メタデータ） (2021-09-25T23:02:47Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。