文献

J-GLOBAL ID：202202276674070416   整理番号：22A0781001

機械学習におけるデータ不均一性を扱うための較正アンサンブルアルゴリズム:ループス患者における重度SLEフレアの同定への応用【JST・京大機械翻訳】

A Calibrated Ensemble Algorithm to Address Data Heterogeneity in Machine Learning: An Application to Identify Severe SLE Flares in Lupus Patients

著者 (3件)： Zhao Yijun (Department of Computer and Information Sciences, Fordham University, New York, NY, USA) ,  Qin Man (Department of Computer and Information Sciences, Fordham University, New York, NY, USA) ,  Jorge April (Division of Rheumatology, Allergy, and Immunology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 18720-18729  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 機械学習理論における必須i.i.d.仮定と実世界アプリケーションにおけるデータ不均一性の間の不整合に取り組むために,多様なデータサブグループによる学習を容易にするために,新しい較正集合(CE)アルゴリズムを提案した。各学習者が全データセットを用いて独立に訓練される従来のアンサンブルフレームワークとは異なり,提案手法は訓練プロセスの一部として,それらを訓練し,モデル-エルゴノームデータサブグループを成形することにより,様々な機械学習モデルの強みを利用する。その結果,各学習者は,個別化予測強度に基づくデータのユニークな部分集合に較正される。臨床的に,著者らは特定の疾患徴候を有する患者の治療における専門化として各モデルを解釈することができる。方法:著者らは,Mass General Brigham(MGB)Lupus Cohortにおける1541の臨床遭遇を用いて,重症SLEフレアを有するループス患者を同定するための著者らの動機付けドメインにおけるCEモデルを評価した。著者らの実験結果は,5つの個々の機械学習モデルおよび規則的アンサンブルアプローチと比較して,7つの性能評価メトリックスを通して著者らのCEモデルの有効性を実証した。さらに,臨床解釈のための個々のモデルクラスタの特徴的特徴を発見するために,ANOVAおよびHubbard HSDポストホック統計解析を利用した。Copyright 2022 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 ,  データ ,  動機づけ ,  分散分析 ,  クラスタ ,  応用プログラム ,  集合 ,  不整合 ,  不均一性 ,  有効性 ,  性能評価 ,  *機械学習
準シソーラス用語： *フレア ,  学習者 ,  メトリックス , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (11件)： 機械学習 ,  不均一性 ,  較正 ,  アンサンブル ,  アルゴリズム ,  ループス ,  患者 ,  SLE ,  フレア ,  同定 ,  応用