Fugu-MT 論文翻訳(概要): Local Discrimination of Binary Classifiers via Localized AUC Functional

論文の概要: Local Discrimination of Binary Classifiers via Localized AUC Functional

arxiv url: http://arxiv.org/abs/2610.31216v1
Date: Thu, 22 Oct 2026 13:01:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 02:08:44.380465
Title: Local Discrimination of Binary Classifiers via Localized AUC Functional
Title（参考訳）: 局所AUC機能によるバイナリ分類器の局所的識別
Abstract要約: リスク予測モデルが不正確である患者のコホートを特定するためにLOCATORを作成した。本手法は実世界のデータとシミュレーションの両方で検証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Risk prediction models are frequently evaluated with AUC, which means that during evaluation we are blind to performance heterogeneity, which could lead to bad decision-making in clinics. In this work, we aim to change that by identifying patient cohorts for whom the risk prediction model might not be an accurate predictor. To separate these cohorts, we use a version of the weighted AUC, which we call Localized AUC or LAUC. Using this metric, we build a method that we coin LOCATOR. This method is able to identify cohorts of patients for whom the risk prediction model is inaccurate. We test this method both in real-world data and in simulations. We also build a statistical background for the use of Localized AUC for our purposes.
Abstract（参考訳）: リスク予測モデルは、AUCで頻繁に評価されるため、評価中は、パフォーマンスの不均一性を欠いているため、クリニックで悪い意思決定につながる可能性がある。本研究は,リスク予測モデルが正確でない患者コホートを同定し,それを変更することを目的としている。これらのコホートを分離するために、我々はLocalized AUCまたはLAUCと呼ぶ重み付けされたAUCを使用している。この計量を用いて、LOCATORを造語する手法を構築する。リスク予測モデルが不正確である患者のコホートを同定することができる。本手法は実世界のデータとシミュレーションの両方で検証する。また,AUCを応用するための統計的背景を構築した。

関連論文リスト

Inference for Deep Neural Network Estimators in Generalized Nonparametric Models [8.122998173805266]
分類的または指数関数的な家族結果に対するディープニューラルネットワーク(DNN)の推論は、まだ過小評価されていない。一般化された非パラメトリック回帰モデル(GNRM)に基づくDNN推定器を提案し、厳密な推論フレームワークを開発する。さらにこの手法を電子集中治療ユニット(eICU)データセットに適用し,ICUの寛容リスクを予測し,臨床的意思決定に患者中心の洞察を与える。
論文参考訳（メタデータ） (2025-04-12T21:32:42Z)
Inadequacy of common stochastic neural networks for reliable clinical decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。本研究は臨床応用における信頼性について考察する。
論文参考訳（メタデータ） (2024-01-24T18:49:30Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文参考訳（メタデータ） (2022-07-06T19:49:42Z)
A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。個人予測の信頼性推定は誤分類率と大きな相関を示した。
論文参考訳（メタデータ） (2021-10-15T19:33:46Z)
Surrogate Assisted Semi-supervised Inference for High Dimensional Risk Prediction [3.10560974227074]
高次元予測器を用いたリスクモデリングのためのSAS(Surrogate Assisted Semi-supervised- Learning)アプローチを開発しています。 SAS法が高次元作業モデルに起因する予測リスクに対して有効な推論を提供することを実証する。
論文参考訳（メタデータ） (2021-05-04T03:08:51Z)
Deep ROC Analysis and AUC as Balanced Average Accuracy to Improve Model Selection, Understanding and Interpretation [4.7096631717710045]
医療から自動運転までの意思決定には最適なパフォーマンスが欠かせません。精度、感度、F1スコアなどの尺度は、個々の単一確率または予測リスクを反映した単一のしきい値の尺度である。より洞察力のある分析のために,確率群や予測リスクを調査する,深層ROC解析の手法を提案する。
論文参考訳（メタデータ） (2021-03-21T10:27:35Z)
Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文参考訳（メタデータ） (2020-12-17T21:10:10Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。