抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
現代の機械学習は,印象的な予測性能を達成したが,しばしば,医学のような高消費領域における重要な考察である解釈可能性を犠牲にした。そのような設定において,実務者は,しばしば,高度に解釈可能な決定木モデルを使用するが,これらは,付加的構造に対する帰納的バイアスに悩まされる。このバイアスを克服するために,CARTアルゴリズムを一般化し,加算におけるツリーの柔軟な数を同時に成長させる高速インタプリテーブルGreedy-Tree Sum(FIGS)を提案した。論理的規則を付加と組み合わせることにより,FIGSは,高度に解釈できるまま,付加的構造に適応できる。実世界データセットに関する大規模な実験は,FIGSが最先端の予測性能を達成することを示した。高摂取領域におけるFIGSの有用性を実証するために,著者らは,臨床意思決定を導くためのツールである臨床決定機器(CDIs)を学習するためにFIGSを適応させた。特に,医療データの不均一性を説明するG-FIGSとして知られるFIGSの変異体を紹介した。G-FIGSは,ドメイン知識を反映するCDIを誘導し,感度または解釈性を犠牲にすることなく,CARTに対する特異性を改善した。FIGSへの更なる洞察を提供するために,FIGSが加法モデルの構成要素を学習し,特性として,解答として言及することを証明した。さらに,追加回帰関数に当てはめた場合,非制約木-和モデルが単一決定木モデルよりもより効率的に一般化するのに,非制約の木-和モデルを利用する(オラクル条件下で)ことを示した。最後に,非拘束数の分割による過剰適合を避けるため,ランダムフォレストの分散低減技術を借りするFIGSのアンサンブルバージョンであるBagging-FIGSを開発した。Bagging-FIGSは,実世界データセット上でランダムフォレストとXGBoostとの競合性能を enjoy受する。【JST・京大機械翻訳】