Fugu-MT 論文翻訳(概要): GRASP: group-Shapley feature selection for patients

論文の概要: GRASP: group-Shapley feature selection for patients

arxiv url: http://arxiv.org/abs/2602.11084v1
Date: Wed, 11 Feb 2026 17:50:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-12 21:44:02.269383
Title: GRASP: group-Shapley feature selection for patients
Title（参考訳）: GRASP: group-Shapley feature selection for patients
Abstract要約: GRASPは、Shapley値駆動属性をグループ$L_21$正規化と組み合わせてコンパクトで非冗長な特徴集合を抽出する新しいフレームワークである。 GRASPは、同等または優れた予測精度を一貫して提供し、より少ない、冗長でない、より安定した機能を特定します。
参考スコア（独自算出の注目度）: 7.03606922329348
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Feature selection remains a major challenge in medical prediction, where existing approaches such as LASSO often lack robustness and interpretability. We introduce GRASP, a novel framework that couples Shapley value driven attribution with group $L_{21}$ regularization to extract compact and non-redundant feature sets. GRASP first distills group level importance scores from a pretrained tree model via SHAP, then enforces structured sparsity through group $L_{21}$ regularized logistic regression, yielding stable and interpretable selections. Extensive comparisons with LASSO, SHAP, and deep learning based methods show that GRASP consistently delivers comparable or superior predictive accuracy, while identifying fewer, less redundant, and more stable features.
Abstract（参考訳）: LASSOのような既存のアプローチは、堅牢性や解釈可能性に欠けることが多い。 GRASPは、Shapley値駆動属性をグループ$L_{21}$正規化と組み合わせてコンパクトで非冗長な特徴集合を抽出する新しいフレームワークである。 GRASPはまず、事前訓練された木モデルからSHAPを介してグループレベルの重要度スコアを蒸留し、次に、グループ$L_{21}$正規化ロジスティック回帰(英語版)を通して構造化された疎度を強制し、安定かつ解釈可能な選択をもたらす。 LASSO、SHAP、ディープラーニングベースのメソッドとの大規模な比較は、GRASPが一貫して同等または優れた予測精度を提供する一方で、より少ない、より冗長で、より安定した機能を識別していることを示している。

関連論文リスト

GRASP: Geometry-aware Residual Alignment for Scalable Pretraining Data Attribution [5.770893169582546]
この研究は、属性をサブセットレベルの反事実的ユーティリティ予測として再定義する。相互作用を意識したサロゲートであるGRASPを紹介する。それは、既存のスケーラブルなベースラインを決定的に上回る。
論文参考訳（メタデータ） (2026-06-05T04:17:50Z)
Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
論文参考訳（メタデータ） (2026-04-14T09:48:46Z)
Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文参考訳（メタデータ） (2026-04-07T13:18:31Z)
Positive-First Most Ambiguous: A Simple Active Learning Criterion for Interactive Retrieval of Rare Categories [1.8631279231581521]
現実世界のきめ細かいビジュアル検索では、最小限の監督力を持つ大きなラベルのないコレクションから稀な概念を発見する必要がある。これは特に生物多様性モニタリング、生態学的研究、長い尾の視覚領域において重要である。 PF-MA(Positive-First Most Ambiguous)は、クラス不均衡な非対称性に明示的に対処する基準である。 PF-MAは、関連するサンプルの比率が高い小さなバッチを一貫して返却し、早期検索とユーザ満足度を向上させる。
論文参考訳（メタデータ） (2026-03-25T16:22:26Z)
Spend Search Where It Pays: Value-Guided Structured Sampling and Optimization for Generative Recommendation [16.991391135071513]
本稿では,価値誘導型サンプリングおよびツリー構造化アドバンテージ強化フレームワークであるV-STARを提案する。 V-STARは2つの相乗的成分を介して自己進化ループを形成する。まず、決定ノードを識別し、高次接頭辞を選択的に深めるために価値誘導効率復号法(VED)を開発する。第2に、誘導木トポロジーを利用して兄弟関係の利点を計算し、決定的な分岐決定に学習信号に集中するシブリング-GRPOを提案する。
論文参考訳（メタデータ） (2026-02-11T09:57:36Z)
SHAP-Guided Regularization in Machine Learning Models [1.0515439489916734]
本稿では,特徴量制約をモデルトレーニングに組み込んだSHAP誘導正規化フレームワークを提案する。提案手法は, アントロピーに基づくペナルティを応用し, スパース, 集中した特徴属性の促進と, 試料間の安定性の促進を図った。
論文参考訳（メタデータ） (2025-07-31T15:45:38Z)
Probabilistic Variational Contrastive Learning [8.23660331371415]
我々は,エビデンスローバウンド(ELBO)を最大化するデコーダフリーフレームワークを提案する。約$q_theta(z|x)$を投影正規分布としてモデル化し、確率的埋め込みのサンプリングを可能にする。
論文参考訳（メタデータ） (2025-06-11T20:26:07Z)
UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文参考訳（メタデータ） (2024-10-03T17:39:38Z)
Feature graphs for interpretable unsupervised tree ensembles: centrality, interaction, and application in disease subtyping [0.24578723416255746]
特徴の選択は、モデルの解釈可能性を高める上で重要な役割を担います。決定木を集約することで得られる精度は、解釈可能性の犠牲となる。この研究では、教師なしランダムな森林から特徴グラフを構築するための新しい手法を紹介した。
論文参考訳（メタデータ） (2024-04-27T12:47:37Z)
Bias Amplification Enhances Minority Group Performance [10.380812738348899]
本稿では,新しい2段階学習アルゴリズムであるBAMを提案する。第1段階では、各トレーニングサンプルに対して学習可能な補助変数を導入することにより、バイアス増幅方式を用いてモデルを訓練する。第2段階では、バイアス増幅モデルが誤分類したサンプルを重み付けし、その後、再重み付けされたデータセット上で同じモデルをトレーニングし続けます。
論文参考訳（メタデータ） (2023-09-13T04:40:08Z)
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)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
Universal and data-adaptive algorithms for model selection in linear contextual bandits [52.47796554359261]
モデル選択の最も単純な非自明な例を考える: 単純な多重武装バンディット問題と線形文脈バンディット問題とを区別する。データ適応的な方法で探索する新しいアルゴリズムを導入し、$mathcalO(dalpha T1- alpha)$という形式の保証を提供する。我々のアプローチは、いくつかの仮定の下で、ネストされた線形文脈包帯のモデル選択に拡張する。
論文参考訳（メタデータ） (2021-11-08T18:05:35Z)
PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
論文参考訳（メタデータ） (2020-09-02T08:30:09Z)
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
論文参考訳（メタデータ） (2020-06-18T10:24:26Z)

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。