计算机科学>机器学习
标题: 面向时间转移的死亡预测的深核学习
摘要: 神经模型凭借其提供新颖表示的能力,在医疗保健预测任务中显示出良好的结果。 然而,随着时间的推移,患者人口统计、医疗技术和护理质量会发生变化。 这通常会导致预期患者神经模型的性能下降,尤其是在校准方面。 深度核学习(DKL)框架将神经模型与高斯过程相结合,能够感知预测的不确定性,因此对此类变化具有鲁棒性。 我们的假设是,分布外测试点将导致概率更接近全球平均值,从而防止过度自信的预测。 我们假设,这反过来将导致对预期数据进行更好的校准。 本文研究了DKL在面临时间转移时的行为,时间转移是在为队列数据库提供数据的信息系统发生变化时自然引入的。 我们将DKL的性能与基于递归神经网络的神经基线的性能进行了比较。 我们表明,DKL确实产生了卓越的校准预测。 我们还确认,DKL的预测确实不那么尖锐。 此外,DKL的辨别能力甚至有所提高:其AUC为0.746(标准差+-0.014),而基线为0.739(标准差+/-0.028)。 本文证明了在神经计算中包含不确定性的重要性,特别是对于它们的未来用途。