論文の概要: Harnessing Source Heterogeneity for Cluster-Structured Transfer Learning

• arxiv url: http://arxiv.org/abs/2606.05258v1
• Date: Wed, 03 Jun 2026 16:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.290607
• Title: Harnessing Source Heterogeneity for Cluster-Structured Transfer Learning
• Title（参考訳）: クラスタ構造変換学習のための高調波源の不均一性
• Authors: Xiaohui Yin, Jun Jin, Shane J. Sacco, Robert H. Aseltine, Kun Chen,
• Abstract要約: コネチカット病院情報管理取引所のデータを用いた自殺リスク調査は、27の病院で636,758人の患者から成っている。 一般化線形モデルのためのクラスタ構造化トランスファーラーニング手法であるTrans-GLMCを提案する。 シミュレーションおよびCHIME研究において、Trans-GLMCは施設固有の予測を改善し、相互転送性のある病院の解釈可能なコミュニティを特定し、臨床的に一貫性のある自殺リスク因子を回復する。
• 参考スコア（独自算出の注目度）: 3.081011756373893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning is a natural strategy when a target population has limited data but multiple related auxiliary sources are available. A central difficulty is source heterogeneity: auxiliary sources may not be equally useful, and their usefulness may vary in a structured, cluster-like fashion. Existing transfer-learning methods often reduce source selection to a binary informative/non-informative decision, overlooking subgroups of sources with differential transferability. Motivated by a suicide-risk study using data from the Connecticut Hospital Information Management Exchange (CHIME), comprising 636,758 patients across 27 hospitals, we propose Trans-GLMC, a cluster-structured transfer-learning procedure for generalized linear models. The CHIME setting illustrates the core challenge: hospital-specific risk models are unstable because suicide attempts are rare at any single facility, whereas indiscriminate pooling across hospitals can obscure facility-level differences in patient mix and risk profiles. Trans-GLMC first constructs a coefficient-based distance among the target and candidate sources to recover latent source clusters. It then combines global fusion, within-cluster refinement, and target debiasing to produce an estimator that adapts to the detected structure. We establish a non-asymptotic error bound that improves over its unclustered counterpart whenever a meaningful target cluster exists and matches the unclustered rate up to constants otherwise. In simulations and in the CHIME study, Trans-GLMC improves facility-specific prediction, identifies interpretable communities of hospitals with mutual transferability, and recovers clinically coherent suicide-risk factors.
• Abstract（参考訳）: 移動学習は、対象人口が限られたデータしか持たないが、関連する補助的情報源が複数存在する場合の自然な戦略である。 補助的な情報源は等しく有用ではないかもしれないし、それらの有用性は構造化されたクラスターのような方法で異なるかもしれない。 既存のトランスファー学習法は、しばしば二分的情報/非情報的決定へのソース選択を減らし、差動可能性を持つソースのサブグループを見渡す。 コネチカット病院情報管理取引所(CHIME)のデータを用いた自殺リスク調査により,27病院636,758人の患者を対象に,一般線形モデルのためのクラスタ構造移行学習手法であるTrans-GLMCを提案する。 病院固有のリスクモデルは、どの施設でも自殺未遂は稀であるため不安定であり、一方、病院間の無差別プールは、患者ミックスとリスクプロファイルの施設レベルの差異を曖昧にすることができる。 Trans-GLMCは、まずターゲットと候補ソースの間で係数ベースの距離を構築し、遅延ソースクラスタを復元する。 次に、グローバル核融合、クラスター内部の精製、および目標脱バイアスを組み合わせて、検出された構造に適応する推定器を生成する。 我々は,有意なターゲットクラスタが存在する場合,その非クラスタ化に対して改善する非漸近的エラー境界を確立し,非クラスタ化レートを定数まで一致させる。 シミュレーションおよびCHIME研究において、Trans-GLMCは施設固有の予測を改善し、相互転送性のある病院の解釈可能なコミュニティを特定し、臨床的に一貫性のある自殺リスク因子を回復する。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• A data-driven approach to discover and quantify systemic lupus erythematosus etiological heterogeneity from electronic health records [4.167173990365707]
  全身性エリテマトーデス(Systemic lupus erythematosus, SLE)は、多くの症状を呈する複雑な疾患である。 マルチモーダル不完全なEHRデータから確率的独立情報源を発見するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:00:31Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Empirical investigation of multi-source cross-validation in clinical ECG classification [0.9749684343406612]
  クロスバリデーション法は、機械学習に基づく臨床予測モデルの精度を推定するために用いられる。 マルチソース環境における標準Kフォールドクロスバリデーションと離脱元クロスバリデーションの系統的評価について述べる。 以上の結果から,K-foldクロスバリデーションは単一ソースデータと複数ソースデータの両方において,新たなソースへの一般化を目標とする場合の予測性能を体系的に過大評価していることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T07:56:31Z)
• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation [103.55894890759376]
  本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。 本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
  論文  参考訳（メタデータ） (2022-10-08T16:41:02Z)
• On the Importance of Diversity in Re-Sampling for Imbalanced Data and Rare Events in Mortality Risk Models [0.0]
  外科的アウトカムリスクツール(SORT)は、英国の主要な選択的内科手術の期間を通して死亡リスクを予測するために開発されたツールの1つです。 本研究では,データセット内のクラス不均衡に対処することにより,SORT予測モデルの拡張を行う。 提案手法は,共通再サンプリング技術上での多様性に基づく選択の応用について検討する。
  論文  参考訳（メタデータ） (2020-12-15T09:45:35Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。