NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Multitask learning (MTL) bireysel görev performansını iyileştirmek amacıyla ilgili görevler arasında ortak noktalardan yararlanır. MTL modellerinin tasarlanmasında kilit bir modelleme seçeneği, görevlerin ilgililiğinin yapısıdır, bu bilinmeyebilir. Burada, görev ilişkisi yapısını doğrudan verilerden çıkarabilen bir Bayesian çoklu görev öğrenme modeli sunuyoruz. Modelin iki varyasyonunu görevle ilgili ön bilgi açısından sunuyoruz. İlk olarak, dağınık bir Wishart öncesi bir görev hassas matrisine yerleştirilir, böylece tüm görevlerin eşit olarak ilişkili a priori olduğu varsayılır. İkincisi, görev hassasiyeti matrisinde görevle ilgili seyrekliği empoze etmek için bir Bayesian grafiksel LASSO öncesi kullanılır. Biyomedikal alandaki makine öğrenimi uygulamalarıyla motive edilen modellerde yorumlanabilirlik ve belirsizlik niceliğini vurguluyoruz. Model yorumlanabilirliğini teşvik etmek için, paylaşılan girdi alanlarından göreve bağlı çıktı alanlarına doğrusal haritalamalar kullanılır. Belirsizlik nicelemesini teşvik etmek için, eşlenik sabıkalar kullanılır, böylece tam posterior çıkarım mümkün olur. Sentetik verileri kullanarak, modelimizin temel görev ilişkilerini ve tüm görevler için ortak olarak ilgili özellikleri kurtarabildiğini gösteriyoruz. Modelimizin üç farklı biyomedikal uygulama üzerindeki yararını gösteriyoruz: Alzheimer hastalığı ilerlemesi, Parkinson hastalığı değerlendirmesi ve servikal kanser tarama uyumu. Modelimizin, öngörücü performans açısından Tek Görev (STL) modellerinden daha iyi performans gösterdiğini ve senaryoların çoğunluğu için mevcut MTL yöntemlerinden daha iyi performans gösterdiğini gösteriyoruz.
Özgün kaynak özetini okuyun
Multitask learning (MTL) leverages commonalities across related tasks with the aim of improving individual task performance. A key modeling choice in designing MTL models is the structure of the tasks' relatedness, which may not be known. Here we propose a Bayesian multitask learning model that is able to infer the task relationship structure directly from the data. We present two variations of the model in terms of a priori information of task relatedness. First, a diffuse Wishart prior is placed on a task precision matrix so that all tasks are assumed to be equally related a priori. Second, a Bayesian graphical LASSO prior is used on the task precision matrix to impose sparsity in the task relatedness. Motivated by machine learning applications in the biomedical domain, we emphasize interpretability and uncertainty quantification in our models. To encourage model interpretability, linear mappings from the shared input spaces to task-dependent output spaces are used. To encourage uncertainty quantification, conjugate priors are used so that full posterior inference is possible. Using synthetic data, we show that our model is able to recover the underlying task relationships as well as features jointly relevant for all tasks. We demonstrate the utility of our model on three distinct biomedical applications: Alzheimer's disease progression, Parkinson's disease assessment, and cervical cancer screening compliance. We show that our model outperforms Single Task (STL) models in terms of predictive performance, and performs better than existing MTL methods for the majority of the scenarios.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.