利用可解释机器学习预测母婴结局
通过结合临床专业知识与基于评分、基于约束和混合结构学习算法,该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构,并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性,从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力,发现共识模型的预测准确度、敏感度和特异度均在 70% 左右,AUC 为 80%,说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。
Jun, 2024
我们提出了一个去噪算法,利用预测建模和交叉分析来提高 Soccer Simulation 2D 中观测数据的准确性,并减少噪音和部分数据的影响,从而提高游戏性能。
Jun, 2024
ThyroPath 是一个基于规则的自然语言处理(NLP)流水线,可以自动提取和分类甲状腺癌病理报告的风险因素,并显示了在大规模上操作的潜力,并在人工提取病理信息方面实现了 100% 的准确性。
May, 2024
该研究论文提出了一套新的互联框架,旨在全面提升大数据质量,包括引入新的质量指标和加权评分系统,采用人工智能模型检测各种质量异常,以及通过预测建模纠正检测到的异常,并着重讨论了在大数据生态系统中提高元数据质量的创新框架。
May, 2024
本研究探讨了如何利用从用户数据中提取的洞察来影响电信决策,重点是使用 ARIMA 模型等机器学习技术的预测建模。该研究通过评估 ARIMA 模型在各种指标下的表现,探索时间序列预测以预测用户使用趋势,并将 ARIMA 模型与卷积神经网络模型进行比较,突出 ARIMA 模型在准确性和执行速度方面的优越性。该研究还提出了未来研究的方向,包括探索其他预测模型并考虑影响用户数据使用的其他因素。
Apr, 2024
通过对连续智能手机用户行为的预测建模,本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆(LSTM)和变压器神经网络,我们展示了社交媒体使用在个人内部和个人之间是可预测的,同时在个体之间的预测差异也是稳健的。
Apr, 2024
本研究针对医疗领域中人工智能应用的公平性和可解释性的关键需求,提出了一种通过预测模型来改善公平性的方法,并介绍了一种新型特征重要性算法,用于解释各个特征对公平性的贡献。该方法不仅有助于识别和减轻预测模型中的偏见,也增加了模型预测的透明度和公平性,从而为提供更公平可信赖的医疗服务做出了贡献。
Apr, 2024
为了提高药物研发的安全性和患者预后,本研究介绍了 CT-ADE 数据集,该数据集基于临床试验结果提供了药物、患者人群和环境信息,并以 MedDRA 本体论的系统器官类别层次进行多标签 ADE 分类任务的标准化注释,通过基准模型的初步分析获得了令人满意的结果,展示了 CT-ADE 在 ADE 预测方面的潜力。CT-ADE 为希望利用人工智能和机器学习提高患者安全性并减少 ADE 对药物研发的影响的研究人员提供了一个重要工具。
Apr, 2024
本研究提出了一种基于概率机器学习的方法来定价首次市场的灾难债券。该方法将基于机器学习的预测模型与创新算法 Conformal Prediction 相结合,为灾难债券价格生成无分布偏差的概率预测。使用 1999 年 1 月至 2021 年 3 月之间的首次市场灾难债券交易记录,发现该方法比传统的基于回归的方法更具鲁棒性,可以更准确地预测债券利差。此外,该方法生成的预测区间比线性回归更具信息量,并且能够识别各种风险因素与债券利差之间的重要非线性关系,表明线性回归可能会低估债券利差。总体而言,本论文展示了机器学习方法在改进灾难债券定价方面的潜力。
Apr, 2024
本文介绍了 StockGPT,一种在美国股票每日收益历史数据上直接预训练的自回归 ' 数值 ' 模型。通过将每个收益系列视为标记序列,该模型在理解和预测高度复杂的股票收益动态方面表现出色。利用注意机制,StockGPT 自动学习预测未来收益的隐藏表示。在 2001 年至 2023 年的测试样本中,基于 StockGPT 预测的每日重新平衡的多空投资组合年收益为 119%,夏普比率为 6.5。基于 StockGPT 的投资组合完全解释了动量和长期 / 短期逆转现象,消除了手动构建基于价格的策略的需要,并涵盖了大多数领先的股市因素。这凸显了生成型人工智能在超越人类进行复杂金融投资决策方面的巨大潜力,并证明了大型语言模型的注意机制在完全不同的领域中的有效性。
Apr, 2024