論文の概要: Primal--Dual Alternating Neural Learning for Timely Classification with Performance Guarantees
- arxiv url: http://arxiv.org/abs/2608.23480v1
- Date: Mon, 24 Aug 2026 16:44:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.203063
- Title: Primal--Dual Alternating Neural Learning for Timely Classification with Performance Guarantees
- Title（参考訳）: 性能保証を用いた時間的分類のための一次2次元交替ニューラルラーニング
- Abstract要約: 多くの臨床モニタリング設定において、タイムリーなリスク分類が不可欠である。
既存の統計学と機械学習の手法は、主要な操作特性を限定的に制御する。
これら3つの基準を対象とする多目的最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.6411102933459163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Timely risk classification is essential in many clinical monitoring settings, where decisions must balance the benefit of classifying patients early for subsequent intervention against the value of observing additional data. Yet most existing statistical and machine-learning methods are designed for fully observed trajectories and offer limited control over key operating characteristics such as sensitivity, specificity, and monitoring cost. We cast the sequential classification problem within a multi-objective optimization framework targeting these three criteria. We characterize the optimal decision rule through a value recursion that quantifies, at each time point, the trade-off between immediate classification and continued monitoring. To estimate the rule from data, we formulate a constrained optimization problem that maximizes specificity while enforcing prespecified sensitivity and monitoring-cost constraints. We then develop an estimation procedure that employs a recurrent neural network to approximate the evolving value processes and a primal--dual updating scheme to satisfy the performance constraints. Through simulation studies and an application to continuous glucose monitoring for hypoglycemia risk prediction, we demonstrate that the proposed method yields accurate and timely sequential decision rules that adhere to the desired operating characteristics.
- Abstract（参考訳）: タイムリーなリスク分類は、多くの臨床モニタリング設定において不可欠であり、患者を早期に分類し、追加的なデータ観測の価値に対する介入の利益をバランスさせなければならない。
しかし、既存の統計学や機械学習の手法は、完全に観測された軌道に対して設計されており、感度、特異性、監視コストといった主要な操作特性を限定的に制御できる。
これら3つの基準を対象とする多目的最適化フレームワークにおいて、逐次分類問題を提起した。
我々は、各時点において、即時分類と監視継続の間のトレードオフを定量化する値再帰を通じて、最適な決定ルールを特徴付ける。
データからルールを推定するために、所定の感度と監視コストの制約を課しながら、特異性を最大化する制約付き最適化問題を定式化する。
次に、再帰的ニューラルネットワークを用いて、進化する値プロセスと、性能制約を満たすプリマルデュアル更新スキームを近似する推定手順を開発する。
シミュレーション研究および低血糖リスク予測のための連続グルコースモニタリングへの応用を通じて,提案手法が所望の操作特性に従属する正確かつ時系列な決定規則を導出することを示す。
関連論文リスト
- From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。
3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。
本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-16T10:45:26Z) - Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。
まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。
次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
論文 参考訳（メタデータ） (2026-05-06T13:08:12Z) - Imbalanced Classification under Capacity Constraints [0.5156484100374058]
主要な関心のクラスは分類設定で不足しており、不均衡なデータ問題を引き起こします。
本稿では,肯定的な予測率を明示的に制御するフレームワークを提案する。
キャパシティ制約を組み込むことで、古典的なアプローチよりも大幅に改善されることが示される。
論文 参考訳（メタデータ） (2026-05-05T02:21:01Z) - On the Accuracy Limits of Sequential Recommender Systems: An Entropy-Based Approach [14.127575297140622]
逐次推薦における精度限界の定量化のためのエントロピー誘導学習自由アプローチを開発した。
制御された合成発電機と様々な実世界のベンチマークの実験では、推定器は基線よりもオラクル制御の難しさを忠実に追跡している。
また、新規嗜好、ロングテール露出、アクティビティによってユーザを階層化することで、ユーザグループ診断もサポートする。
論文 参考訳（メタデータ） (2026-03-30T01:57:30Z) - A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。
実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。
ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
論文 参考訳（メタデータ） (2025-10-31T22:54:13Z) - Neural Predictive Control to Coordinate Discrete- and Continuous-Time Models for Time-Series Analysis with Control-Theoretical Improvements [46.19047880604178]
時系列問題を連続ODEに基づく最適制御問題として再放送する。
データからのみダイナミックスを学ぶのではなく、タスクの目的に向かってODE軌道を操縦する制御アクションを最適化する。
軽度の仮定では、この多重水平最適化は無限水平解への指数収束をもたらす。
論文 参考訳（メタデータ） (2025-08-03T16:41:00Z) - Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Stage-Aware Learning for Dynamic Treatments [3.6923632650826486]
動的治療体制のための新しい個別化学習法を提案する。
観測軌道が最適処理と完全に一致しなければならないという制約を緩和することにより,本手法はIPWE法における試料効率と安定性を大幅に改善する。
論文 参考訳（メタデータ） (2023-10-30T06:35:31Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Early Classification of Time Series. Cost-based Optimization Criterion
and Algorithms [0.0]
本稿では,誤分類のコストと決定を遅らせるコストの両方を考慮して,新たな最適化基準を提案する。
我々は、待ち時間とバランスを取りながら、将来期待される情報獲得を予想する非ミオピックアルゴリズムのファミリーを考案した。
論文 参考訳（メタデータ） (2020-05-20T10:08:30Z)
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。