文献

J-GLOBAL ID：202002268394645160   整理番号：20A2446008

説明可能な死亡率予測モデルに向けて【JST・京大機械翻訳】

Towards an Explainable Mortality Prediction Model

著者 (4件)： Epifano Jacob R. (Rowan University,Department of Electrical and Computer Engineering) ,  Ramachandran Ravi P. (Rowan University,Department of Electrical and Computer Engineering) ,  Patel Sharad (Cooper Hospital,Division of Critical Care) ,  Rasool Ghulam (Rowan University,Department of Electrical and Computer Engineering)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MLSP  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 影響関数は,ブラックボックス機械学習モデルの決定を解釈できるロバストな統計からの分析ツールである。影響関数を用いて,入力特徴における小さな摂動による損失関数における変化を属性した。影響関数を用いる現在の研究は,深層ニューラルネットワーク(DNN)の最後の層の前に利用可能な特徴に制限される。エンドツーエンド方式で勾配を計算することによりDNNsに対する影響関数近似を拡張し,効率的なアルゴリズムを用いて個々の入力特徴に対する損失関数における変化を関連させた。正確な死亡率予測ニューラルネットワークを提案し,eICUデータセットに対する拡張影響関数の有効性を示した。提案した拡張影響関数によって選択された特徴は,他の伝統的方法によって選択されたものより,人間専門家によって選択されたもののようなものであった。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  損失関数 ,  ニューラルネットワーク ,  *死亡率 ,  関数近似 ,  ブラックボックス ,  エンドツーエンド方式 ,  有効性 ,  ロバスト性 ,  機械学習 ,  *予測モデル
準シソーラス用語： 影響関数 ,  解析ツール ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 説明 ,  死亡率 ,  予測モデル