論文の概要: Global Interpretability via Automated Preprocessing: A Framework Inspired by Psychiatric Questionnaires

• arxiv url: http://arxiv.org/abs/2602.23459v1
• Date: Thu, 26 Feb 2026 19:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.109478
• Title: Global Interpretability via Automated Preprocessing: A Framework Inspired by Psychiatric Questionnaires
• Title（参考訳）: 自動前処理によるグローバル解釈可能性:精神科アンケートにヒントを得たフレームワーク
• Authors: Eric V. Strobl,
• Abstract要約: 精神科のアンケートは非常に文脈に敏感である。 フレキシブルな非線形モデルでは 予測精度が向上します 限定的な解釈は 臨床的信頼を損なう可能性がある REFINEは他の解釈可能なアプローチより優れている。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Psychiatric questionnaires are highly context sensitive and often only weakly predict subsequent symptom severity, which makes the prognostic relationship difficult to learn. Although flexible nonlinear models can improve predictive accuracy, their limited interpretability can erode clinical trust. In fields such as imaging and omics, investigators commonly address visit- and instrument-specific artifacts by extracting stable signal through preprocessing and then fitting an interpretable linear model. We adopt the same strategy for questionnaire data by decoupling preprocessing from prediction: we restrict nonlinear capacity to a baseline preprocessing module that estimates stable item values, and then learn a linear mapping from these stabilized baseline items to future severity. We refer to this two-stage method as REFINE (Redundancy-Exploiting Follow-up-Informed Nonlinear Enhancement), which concentrates nonlinearity in preprocessing while keeping the prognostic relationship transparently linear and therefore globally interpretable through a coefficient matrix, rather than through post hoc local attributions. In experiments, REFINE outperforms other interpretable approaches while preserving clear global attribution of prognostic factors across psychiatric and non-psychiatric longitudinal prediction tasks.
• Abstract（参考訳）: 精神科のアンケートは、文脈に敏感であり、後続の症状の重症度を弱く予測するだけである。 柔軟な非線形モデルは予測精度を向上させることができるが、その限定的な解釈性は臨床信頼を損なう可能性がある。 イメージングやオミクスなどの分野では、調査員は、前処理によって安定した信号を抽出し、解釈可能な線形モデルを適合させることで、訪問や楽器特有の成果物に対処する。 我々は, 予測から事前処理を分離することで, アンケートデータに対して同じ戦略を採用する: 非線形キャパシティを, 安定した項目値を推定するベースライン前処理モジュールに制限し, 安定化されたベースライン項目から将来の深刻度への線形マッピングを学習する。 この2段階の手法をREFINE (redundancy-Exploiting Folloiting Follow-up-Informed nonlinear Enhancement) と呼ぶ。これは前処理における非線形性に集中し、確率的関係を透過的に線形に保ち、したがってポストホック局所属性よりも係数行列を通してグローバルに解釈できる。 実験では、REFINEは他の解釈可能なアプローチよりも優れており、精神医学および非精神医学の縦断予測タスクにおける予後因子の明確なグローバルな属性を保っている。

関連論文リスト

• PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling [9.456135223836181]
  PRISMは、暗黙の神経表現を不確実性を考慮した統計的形状解析で橋渡しする新しいフレームワークである。 重要な理論的貢献はクローズドフォームのフィッシャー情報計量であり、効率的で分析的に抽出可能な局所的時間的不確実性定量化を可能にする。
  論文  参考訳（メタデータ） (2026-02-12T00:55:31Z)
• Nonlinear Performative Prediction [6.621349481928294]
  パフォーマンス予測(Performative prediction)は、機械学習における新たなパラダイムであり、モデルの予測が予測するデータの分布の変化を誘発するシナリオに対処する。 本稿では,本質的な理論的特性を保ちつつ,非線形ケースに対する性能予測を一般化する新しい設計を提案する。 予測モデルの性能安定性を保証するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-09-01T05:17:52Z)
• Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
  我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。 基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-03-31T08:06:00Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Bayesian Inference for Consistent Predictions in Overparameterized Nonlinear Regression [0.0]
  本研究では,ベイズフレームワークにおける過パラメータ化非線形回帰の予測特性について検討した。 リプシッツ連続活性化関数を持つ一般化線形および単一ニューロンモデルに対して後部収縮が成立する。 提案手法は数値シミュレーションと実データアプリケーションを用いて検証した。
  論文  参考訳（メタデータ） (2024-04-06T04:22:48Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• 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)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Robust Fitted-Q-Evaluation and Iteration under Sequentially Exogenous Unobserved Confounders [9.401989343015364]
  連続的に外生的でない共同設立者が存在する場合、ロバストな政策評価と政策最適化について検討する。 本研究は,敗血症治療のシミュレーションと実世界の縦断医療データの両方において,複雑性境界,洞察,有効性を示す。
  論文  参考訳（メタデータ） (2023-02-01T18:40:53Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• 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。