Fugu-MT 論文翻訳(概要): Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data

論文の概要: Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data

arxiv url: http://arxiv.org/abs/2512.02489v1
Date: Tue, 02 Dec 2025 07:25:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-03 21:04:45.766927
Title: Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data
Title（参考訳）: HDLSS健康データにおける出力予測のためのハイブリッド回帰モデル
Authors: Mithra D K,
Abstract要約: NHANESの健康調査データに確立された機械学習技術を適用し,糖尿病の状態を予測した。私は、XGBoost特徴エンコーダと軽量多層パーセプトロン(MLP)ヘッドを用いたハイブリッドアプローチと、ベースラインモデル(論理回帰、ランダムフォレスト、XGBoost)を比較した。実験により、ハイブリッドモデルでは、処理されたNHANESサブセットのベースラインと比較して、AUCとバランスの取れた精度が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: I present an application of established machine learning techniques to NHANES health survey data for predicting diabetes status. I compare baseline models (logistic regression, random forest, XGBoost) with a hybrid approach that uses an XGBoost feature encoder and a lightweight multilayer perceptron (MLP) head. Experiments show the hybrid model attains improved AUC and balanced accuracy compared to baselines on the processed NHANES subset. I release code and reproducible scripts to encourage replication.
Abstract（参考訳）: NHANESの健康調査データに確立された機械学習技術を適用し,糖尿病の状態を予測した。私は、XGBoost特徴エンコーダと軽量多層パーセプトロン(MLP)ヘッドを用いたハイブリッドアプローチと、ベースラインモデル(論理回帰、ランダムフォレスト、XGBoost)を比較した。実験により、ハイブリッドモデルでは、処理されたNHANESサブセットのベースラインと比較して、AUCとバランスの取れた精度が向上した。複製を促進するために、コードと再現可能なスクリプトをリリースします。

関連論文リスト

Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
論文参考訳（メタデータ） (2025-11-24T19:34:53Z)
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)
Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文参考訳（メタデータ） (2025-05-21T07:16:44Z)
Learning-Order Autoregressive Models with Application to Molecular Graph Generation [52.44913282062524]
本稿では,データから逐次推定される確率的順序付けを用いて高次元データを生成するARMの変種を紹介する。提案手法は,画像およびグラフ生成において有意義な自己回帰順序を学習できることを実験的に実証した。
論文参考訳（メタデータ） (2025-03-07T23:24:24Z)
Noise-Aware Differentially Private Regression via Meta-Learning [25.14514068630219]
差別化プライバシ(DP)は、ユーザのプライバシを保護するための金の標準であるが、標準のDPメカニズムはパフォーマンスを著しく損なう。この問題を緩和する1つのアプローチは、DPがプライベートデータで学習する前にシミュレーションデータ上でモデルを事前訓練することである。本研究では、シミュレーションデータを用いて、畳み込み条件ニューラルネットワーク(ConvCNP)と改良された機能DPメカニズムを組み合わせたメタ学習モデルをトレーニングする。
論文参考訳（メタデータ） (2024-06-12T18:11:24Z)
Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文参考訳（メタデータ） (2024-04-26T06:00:27Z)
SequenceMatch: Imitation Learning for Autoregressive Sequence Modelling with Backtracking [60.109453252858806]
MLE(Maxum-likelihood)の目的は、高品質なシーケンスを自動回帰的に生成する下流のユースケースと一致しない。我々は、模倣学習(IL)問題としてシーケンス生成を定式化する。これにより、自己回帰モデルによって生成されるシーケンスの分布とデータセットからのシーケンスとの差異を最小化できる。得られた手法であるSequenceMatchは、敵の訓練やアーキテクチャの変更なしに実装できる。
論文参考訳（メタデータ） (2023-06-08T17:59:58Z)
Preconditioned Score-based Generative Models [45.66744783988319]
直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。本稿では,行列プレコンディショニングを利用して上記の問題を緩和する新しいプリコンディショニング拡散サンプリング法を提案する。 PDSはSGMの出力分布を保ち、元のサンプリングプロセスに系統的バイアスを引き起こすリスクはない。
論文参考訳（メタデータ） (2023-02-13T16:30:53Z)
Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。回帰フリーモデル更新を制約付き最適化問題に定式化する。モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文参考訳（メタデータ） (2021-05-07T03:33:00Z)
Computing the Hazard Ratios Associated with Explanatory Variables Using Machine Learning Models of Survival Data [0.21320960069210473]
本稿では,木に基づく機械学習モデルからハザード比を計算する新しい手法について述べる。大腸癌,乳がん,膵がんの3種類の生存データを用いて検討した。
論文参考訳（メタデータ） (2021-02-01T05:02:31Z)

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。