論文の概要: Emputation: Identification-Guided Neural Imputation Framework

• arxiv url: http://arxiv.org/abs/2607.05279v1
• Date: Mon, 06 Jul 2026 16:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.239187
• Title: Emputation: Identification-Guided Neural Imputation Framework
• Title（参考訳）: 評価:識別誘導型ニューラルインプットフレームワーク
• Abstract要約: 本稿では,命令モデル学習のための深層生成フレームワークであるEmputationを提案する。 評価は、観測された変数の不足変数の外挿分布を対象とする。 本研究では, 推定リスクの最小化により, 対象外挿分布を広範囲の特定仮定で再現できることを示す。
• 参考スコア（独自算出の注目度）: 2.426942533317864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Emputation, a deep generative framework for learning imputation models. Emputation targets the extrapolation distribution of missing variables given observed variables, and training is guided by specific missingness assumptions that guarantee identification of the target distribution. The training objective, called the emputation risk, is an energy-score-based risk in which the identification assumption determines how observed entries are masked and which observations contribute to training. The resulting framework enables direct conditional sampling for multiple imputation. We show that the population minimizer of the emputation risk recovers the target extrapolation distribution under a broad class of identification assumptions, including several missing-not-at-random assumptions. Simulations show strong performance under both pointwise and distributional evaluation metrics, and an application to an Alzheimer's disease dataset demonstrates its practical value.
• Abstract（参考訳）: 本稿では,命令モデル学習のための深層生成フレームワークであるEmputationを提案する。 推定は、観測された変数の欠落変数の外挿分布を目標とし、目標分布の特定を保証する特定の欠落仮定によってトレーニングが導かれる。 評価リスク(英語: emputation risk)とは、測定項目がどのようにマスクされているか、どの観察結果がトレーニングに寄与するかを識別するエネルギースコアに基づくリスクである。 結果として得られるフレームワークは、複数の命令に対する直接条件付きサンプリングを可能にする。 本研究では, 推定リスクの最小化により, 対象外挿分布が広範囲の特定仮定の下で復元されることを示す。 シミュレーションは点数評価指標と分布評価指標の両方で強い性能を示し、アルツハイマー病データセットへの応用はその実用的価値を示している。

関連論文リスト

• Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias [4.124127724629818]
  デプロイ前に新しい環境で予測モデルがどのように機能するかを検討する。 任意のブラックボックス予測モデルのターゲットリスクを推定するための二重機械学習手法を提案する。 eICU電子健康記録データベースを用いた実験により推定器の評価を行った。
  論文  参考訳（メタデータ） (2026-06-12T14:39:03Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Assessing the risk of re-identification arising from an attack on anonymised data [0.24466725954625884]
  悪意のある攻撃から匿名化されたデータセットへの再識別のリスクを計算する。 そこで本研究では,k匿名化データセットにおける1人の患者の再同定の確率を推定する分析手法を提案する。 我々はこの解法を一般化し、複数の患者が再同定される確率を得る。
  論文  参考訳（メタデータ） (2022-03-31T09:47:05Z)
• Deep Quantile Regression for Uncertainty Estimation in Unsupervised and Supervised Lesion Detection [0.0]
  不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。 そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。 本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
  論文  参考訳（メタデータ） (2021-09-20T08:50:21Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction [6.170898159041278]
  本稿では,欠落変数の分布を推定し,隠れ状態の更新を行い,院内死亡の可能性を予測できる新しい変動再帰ネットワークを提案する。 我々のモデルは、これらの手順を1つのストリームで実行し、エンドツーエンドで全てのネットワークパラメータを共同で学習できることは注目に値する。
  論文  参考訳（メタデータ） (2020-03-02T04:41:28Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。