論文の概要: Expert-Guided POMDP Learning for Data-Efficient Modeling in Healthcare

• arxiv url: http://arxiv.org/abs/2511.14619v1
• Date: Tue, 18 Nov 2025 16:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.200111
• Title: Expert-Guided POMDP Learning for Data-Efficient Modeling in Healthcare
• Title（参考訳）: 医療におけるデータ効率モデリングのためのエキスパートガイド型POMDP学習
• Authors: Marco Locatelli, Arjen Hommersom, Roberto Clemens Cerioli, Daniela Besozzi, Fabio Stella,
• Abstract要約: 本稿では,パラメータ推定プロセスに専門家の知識を取り入れた新しいアプローチであるFuzzy MAP EMアルゴリズムを紹介する。 この統合は、データを限定した環境での学習を効果的に導く、最大Aポストエリオーリ推定(MAP)として問題を自然に再構築する。 合成医療シミュレーションにおいて,本手法は低データおよび高ノイズ条件下での標準EMアルゴリズムより一貫して優れる。
• 参考スコア（独自算出の注目度）: 1.5760525733115178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the parameters of Partially Observable Markov Decision Processes (POMDPs) from limited data is a significant challenge. We introduce the Fuzzy MAP EM algorithm, a novel approach that incorporates expert knowledge into the parameter estimation process by enriching the Expectation Maximization (EM) framework with fuzzy pseudo-counts derived from an expert-defined fuzzy model. This integration naturally reformulates the problem as a Maximum A Posteriori (MAP) estimation, effectively guiding learning in environments with limited data. In synthetic medical simulations, our method consistently outperforms the standard EM algorithm under both low-data and high-noise conditions. Furthermore, a case study on Myasthenia Gravis illustrates the ability of the Fuzzy MAP EM algorithm to recover a clinically coherent POMDP, demonstrating its potential as a practical tool for data-efficient modeling in healthcare.
• Abstract（参考訳）: 限られたデータから部分観測可能なマルコフ決定過程(POMDP)のパラメータを学習することは大きな課題である。 本稿では,Fizzy MAP EMアルゴリズムについて紹介する。この手法は,予測最大化(EM)フレームワークを,専門家が定義したファジィモデルから導出したファジィ擬似カウントに富ませることで,パラメータ推定プロセスに専門家の知識を取り入れた新しいアプローチである。 この統合は、データを限定した環境での学習を効果的に導く、最大Aポストエリオーリ推定(MAP)として問題を自然に再構築する。 合成医療シミュレーションにおいて,本手法は低データおよび高ノイズ条件下での標準EMアルゴリズムより一貫して優れる。 さらに、Myasthenia Gravisのケーススタディでは、Fuzzy MAP EMアルゴリズムが臨床コヒーレントなPOMDPを回復する能力を示し、医療におけるデータ効率モデリングの実用的なツールとしての可能性を示している。

関連論文リスト

• Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
  SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。 大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。 分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T05:20:17Z)
• Overview and practical recommendations on using Shapley Values for identifying predictive biomarkers via CATE modeling [0.6990493129893112]
  Shapley Additive Explanations (SHAP)は、教師付き学習モデルを分析するためにデータサイエンスにおいて主流になっている。 本稿では,CATE戦略の選択に非依存な代理推定手法を提案する。 我々は,様々なCATEメタラーナーとカウサルフォレストから得られたSHAP値を用いて,バイオマーカーを正確に識別する能力を評価するため,シミュレーションベンチマークを実施している。
  論文  参考訳（メタデータ） (2025-05-02T09:44:04Z)
• LLM-based Agent Simulation for Maternal Health Interventions: Uncertainty Estimation and Decision-focused Evaluation [30.334268991701727]
  エージェントに基づくシミュレーションは複雑な人間の行動のモデル化に不可欠である。 従来のアプローチでは、広範なドメイン知識と大規模なデータセットが必要です。 大規模言語モデル(LLM)は、幅広い世界の知識を活用することで、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-25T20:24:47Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
  定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。 この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。 我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
  論文  参考訳（メタデータ） (2023-06-19T15:37:53Z)
• Provable Generalization of Overparameterized Meta-learning Trained with SGD [62.892930625034374]
  我々は、広く使われているメタラーニング手法、モデル非依存メタラーニング(MAML)の一般化について研究する。 我々は、MAMLの過大なリスクに対して、上界と下界の両方を提供し、SGDダイナミクスがこれらの一般化境界にどのように影響するかをキャプチャする。 理論的知見は実験によってさらに検証される。
  論文  参考訳（メタデータ） (2022-06-18T07:22:57Z)

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。