論文の概要: A Domain Incremental Continual Learning Benchmark for ICU Time Series Model Transportability

• arxiv url: http://arxiv.org/abs/2605.03832v1
• Date: Tue, 05 May 2026 15:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.988134
• Title: A Domain Incremental Continual Learning Benchmark for ICU Time Series Model Transportability
• Title（参考訳）: ICU時系列モデルトランスポートビリティのためのドメインインクリメンタル学習ベンチマーク
• Authors: Ryan King, Conrad Krueger, Ethan Veselka, Tianbao Yang, Bobak J. Mortazavi,
• Abstract要約: アメリカ合衆国の各地域において,測定値と周波数に顕著な違いがあることが示されている。 我々は、ドメインインクリメンタルな学習問題として、あるリージョンから別のリージョンへの機械学習モデルの転送をフレーム化します。 我々は2つの一般的なドメインインクリメンタル学習手法を評価する。
• 参考スコア（独自算出の注目度）: 30.36731227659004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, machine learning has made significant progress in clinical outcome prediction, demonstrating increasingly accurate results. However, the substantial resources required for hospitals to train these models, such as data collection, labeling, and computational power, limit the feasibility for smaller hospitals to develop their own models. An alternative approach involves transferring a machine learning model trained by a large hospital to smaller hospitals, allowing them to fine-tune the model on their specific patient data. However, these models are often trained and validated on data from a single hospital, raising concerns about their generalizability to new data. Our research shows that there are notable differences in measurement distributions and frequencies across various regions in the United States. To address this, we propose a benchmark that tests a machine learning model's ability to transfer from a source domain to different regions across the country. This benchmark assesses a model's capacity to learn meaningful information about each new domain while retaining key features from the original domain. Using this benchmark, we frame the transfer of a machine learning model from one region to another as a domain incremental learning problem. While the task of patient outcome prediction remains the same, the input data distribution varies, necessitating a model that can effectively manage these shifts. We evaluate two popular domain incremental learning methods: data replay, which stores examples from previous data sources for fine-tuning on the current source, and Elastic Weight Consolidation (EWC), a model parameter regularization method that maintains features important for both data sources.
• Abstract（参考訳）: 近年、機械学習は臨床結果の予測において顕著な進歩を遂げており、その結果はますます正確になっている。 しかし、病院がデータ収集、ラベル付け、計算能力などのこれらのモデルを訓練するために必要なかなりのリソースは、小規模病院が独自のモデルを開発する可能性を制限する。 別のアプローチでは、大規模な病院で訓練された機械学習モデルを小さな病院に転送することで、特定の患者のデータに基づいてモデルを微調整する。 しかし、これらのモデルはしばしば1つの病院のデータに基づいて訓練され、検証され、新しいデータへの一般化可能性に関する懸念が提起される。 本研究は,米国各地の計測分布と周波数に顕著な差異があることを示唆する。 そこで本研究では,機械学習モデルのソースドメインから各地域への転送能力をテストするベンチマークを提案する。 このベンチマークは、モデルの能力を評価して、元のドメインから重要な機能を保持しながら、各新しいドメインについて意味のある情報を学ぶ。 このベンチマークを用いて、ドメインインクリメンタルな学習問題として、あるリージョンから別のリージョンへの機械学習モデルの転送をフレーム化する。 患者結果予測のタスクは同じだが、入力データ分布は様々であり、これらのシフトを効果的に管理できるモデルを必要とする。 本研究では,既存のデータソースからサンプルを格納したデータ再生と,両方のデータソースに重要な機能を保持するモデルパラメータ正規化手法であるElastic Weight Consolidation(EWC)の2つを評価する。

関連論文リスト

• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Federated Learning of Medical Concepts Embedding using BEHRT [0.0]
  医療概念の埋め込み学習のための連合学習手法を提案する。 我々のアプローチは、EHRのディープニューラルネットワークモデルであるBEHRTのような埋め込みモデルに基づいている。 我々は、FLで訓練されたモデルと集中型データで訓練されたモデルのパフォーマンスを比較した。
  論文  参考訳（メタデータ） (2023-05-22T14:05:39Z)
• Maximizing Model Generalization for Machine Condition Monitoring with Self-Supervised Learning and Federated Learning [4.214064911004321]
  Deep Learningは、手動で設計された統計的特徴なしで、障害を診断し、生の状態監視データからマシンの健康を評価する。 伝統的な教師付き学習は、目に見えない対象ドメインに一般化するコンパクトで差別的な表現を学ぶのに苦労することがある。 本研究は,対象領域にモデルをコピーするために,ソース領域における特徴一般化の最大化と重み移動によるTLの適用に焦点をあてる。
  論文  参考訳（メタデータ） (2023-04-27T17:57:54Z)
• A Domain Generalization Approach for Out-Of-Distribution 12-lead ECG Classification with Convolutional Neural Networks [3.1372269816123994]
  本稿では,12誘導心電図(ECG)の異常を,Deep Neural Networkのアーキテクチャ全体にわたって抽出した情報を活用することによって分類する手法を提案する。 我々は4つのソースから利用可能なECGデータセットを採用し、それらを別々のドメインとして扱う。 実世界の環境における分布シフトをシミュレートするために、ドメインのサブセット上でモデルをトレーニングし、残りのドメインを除外する。
  論文  参考訳（メタデータ） (2022-08-20T10:58:31Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。