論文の概要: Parallel Adaptive Multi-Objective Evolutionary Learning of Discretized Bayesian Network Classifiers for Clinical Data
- arxiv url: http://arxiv.org/abs/2605.29058v2
- Date: Tue, 02 Jun 2026 11:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 18:57:50.158986
- Title: Parallel Adaptive Multi-Objective Evolutionary Learning of Discretized Bayesian Network Classifiers for Clinical Data
- Title（参考訳）: 臨床データのための離散ベイズネットワーク分類器の並列適応多目的進化学習
- Authors: Damy M. F. Ha, Thalea Schlender, Yvette M. van der Linden, Peter A. N. Bosman, Tanja Alderliesten,
- Abstract要約: Baymexは、離散化されたBNを学習するための多目的進化アルゴリズムである。
Baymexは最先端のBN学習手法より優れていることが示されている。
ベイメックスは,コンパクトで臨床的に検査可能なBNを生産しながら,統計的に類似またはより良い予測性能が得られることを示した。
- 参考スコア（独自算出の注目度）: 1.0439136407307046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Bayesian Networks (BNs) are of interest from an explainable AI viewpoint, offering transparent probabilistic models for decision support. Baymex is a recently introduced multi-objective evolutionary algorithm for learning discretized BNs, enabling experts to trade-off different objectives of interest, such as likelihood, model complexity, and prior beliefs. While Baymex has been shown to outperform state-of-the-art BN learning approaches, Baymex still 1) requires a lot of computation time and 2) has only been evaluated on synthetic data. To improve scalability, we introduce a parallelization strategy as well as a mechanism that enables adaptively steering optimization toward networks that overfit less. We furthermore reconfigure Baymex to train a BN classifier through multi-objective optimization of cross-entropy loss and the BIC complexity term so as to evaluate its performance on real-world clinical classification tasks. Besides observing speedups up to over 54 times on a 16-core CPU, comparisons against clinically familiar baselines (decision trees, logistic regression, naive Bayes, and random forests) on two open-source (RADCURE and SUPPORT) and one in-house dataset, show that Baymex obtains statistically similar or better predictive performance while producing compact, clinically inspectable BNs. Importantly, Baymex finds multiple plausible BN classifiers that contain predictors consistent with established clinical factors.
- Abstract（参考訳）: ベイズネットワーク(BN)は説明可能なAIの観点から興味を持ち、意思決定支援のための透明な確率モデルを提供する。
Baymexは、識別されたBNを学習するための、最近導入された多目的進化アルゴリズムである。
Baymex は最先端の BN 学習手法より優れていることが示されているが,Baymex は依然として優れている。
1) 多くの計算時間が必要です。
2) 合成データによる評価は行われていない。
スケーラビリティを向上させるため,過度に適合しないネットワークに対する最適化を適応的に行うための並列化戦略と機構を導入する。
さらに,多目的のクロスエントロピー損失とBIC複雑性項の最適化により,BN分類器をトレーニングするためにBaymexを再構成し,実世界の臨床分類タスクの性能を評価する。
16コアCPU上で54回以上のスピードアップの観察に加えて、2つのオープンソース(RADCURE and Support)と1つの社内データセットにおける臨床に精通したベースライン(決定木、ロジスティック回帰、ナイーブベイズ、ランダム森林)と比較すると、ベイメックスはコンパクトで臨床的に検査可能なBNを生産しながら統計的に類似またはより良い予測性能を得ることが示された。
重要なことは、ベイメックスは確立された臨床因子と整合した予測因子を含む複数の可塑性BN分類器を見つけることである。
関連論文リスト
- Efficient Conditioning Why Pseudo Observation Batch Bayesian Optimization Works When It Does not [0.0]
Constant Liar (CL)、Kriging Believer (KB)、およびファンタジーモデルは並列ベイズ最適化におけるバッチ選択に広く使われている。
データを拡張した場合に,効率的な条件付けをキーサロゲート特性として,クローズドフォームで予測を更新する機能として同定する。
CL, KB, および空想モデルを, 偽値分布のみが異なる単一の条件付け機構のインスタンスとして統一する。
論文 参考訳（メタデータ） (2026-05-12T13:14:24Z) - BayesFlow 2.0: Multi-Backend Amortized Bayesian Inference in Python [8.512526672162105]
ABI (Amortized Bayesian Inference) はベイズの計算問題を解くための道を提供する。
ABIはモデルシミュレーションでニューラルネットワークをトレーニングし、モデルが実装された量を素早く推測することでユーザに報酬を与える。
汎用ABIのためのPythonライブラリBayesFlow、Version 2.0を提示する。
論文 参考訳（メタデータ） (2026-02-06T15:06:37Z) - Towards the Next-generation Bayesian Network Classifiers [13.240967996241707]
本稿では,特徴値の分布表現を学習し,高階ベイズ型ネットワーク分類器を設計するための新しいパラダイムを提案する。
学習された分布表現は、異なる特徴間の意味的関連性によって符号化される。
60のUCIデータセットに対する大規模な分類実験は、提案されたNeuralKDB分類器が高次機能依存関係のキャプチャに優れていることを示している。
論文 参考訳（メタデータ） (2025-08-15T01:31:06Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - Pseudo-Likelihood Inference [16.934708242852558]
Pseudo-Likelihood Inference (PLI)は、ABCに神経近似をもたらす新しい方法であり、ベイズシステムの識別に挑戦するタスクと競合する。
PLIは、勾配降下による神経後葉の最適化を可能にし、要約統計に頼らず、入力として複数の観察を可能にする。
PLIの有効性は、4つの古典的SBIベンチマークタスクと非常にダイナミックな物理システムで評価される。
論文 参考訳（メタデータ） (2023-11-28T10:17:52Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Deep Negative Correlation Classification [82.45045814842595]
既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。
深部負相関分類(DNCC)を提案する。
DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
論文 参考訳（メタデータ） (2022-12-14T07:35:20Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Multi-Sample Online Learning for Spiking Neural Networks based on
Generalized Expectation Maximization [42.125394498649015]
スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。
本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。
鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
論文 参考訳（メタデータ） (2021-02-05T16:39:42Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。