TRIAGE: 为改善回归问题的训练数据进行特征化和审计

Oct, 2023

TRIAGE: 为改善回归问题的训练数据进行特征化和审计

TRIAGE: Characterizing and auditing training data for improved regression

Nabeel Seedat, Jonathan Crabbé, Zhaozhi Qian, Mihaela van der Schaar

TL;DRTRIAGE 是一个针对回归任务的数据表征框架，利用符合性预测分布为模型提供特定的评分方法，该方法能够分析个别样本的训练动态，并将样本按照模型的欠估、过估或准确估计进行分类；研究结果表明 TRIAGE 的特征描述结果具有一致性，并展示了其通过数据塑造 / 过滤来提高回归任务性能以及开启了数据集选择和特征获取方面的新方法。

Abstract

data quality is crucial for robust machine learning algorithms, with the recent interest in data-centric AI emphasizing the importance of training data characterization. However, current →

data quality machine learning algorithms data characterization regression tasks triage

发现论文，激发创造

分诊下的可微分学习

本文通过正式表征哪些情况下预测模型可以从算法分流中受益来探讨预测模型与人类专家之间的相互作用，提出了一种确定性阈值规则，介绍了一种可实际应用的基于梯度的算法，并在人工专业及科学发现的数据中进行了实验，论证了该算法提供的模型及分流策略具有优于其他竞争基线的性能。

Mar, 2021

数据分配的选择性标注：这些数据应该交给专家进行标注，而不是模型

为解决数据标注预算限制的问题，我们提出了一种名为 SANT 的选择性标注框架，通过错误感知的分类和双重加权机制，有效利用专家标注和模型标注的数据，从而提高了标注质量。

May, 2024

文本特征化工具包

本研究讨论了 NLP 模型性能评估中存在的偏向、伪相关以及假象等因素，并提出了使用 Text Characterization Toolkit 这一工具进行更深层次的结果分析和性质研究的方法。使用这一工具，可以预测难以处理的样本，识别数据集中潜在的（有害的）偏向和启发式方法。

Oct, 2022

利用图神经网络支持患者的自动分诊

利用人工智能开发的算法对急诊科患者进行分级，使用急诊科历史数据培训医疗决策流程，并根据患者的关键信息准确分类患者，实验结果表明该算法在精确性方面优于传统的分级方法，从而帮助医疗专业人员预测重症指数以指导患者管理和资源分配。

Mar, 2024

改进患者分诊的一种新型网络科学算法

该研究论文介绍了一种新颖的基于人工智能算法的病人分诊方法。通过分析病人数据决定其优先级，该算法能够准确地将病人分类为相应的分诊类别，并在实验中表现出较高的准确性和性能，相较于传统的分诊方法具有更高的效率、准确性和一致性，从而优化资源配置并提升医疗卫生服务的质量和病人的治疗效果。

Oct, 2023

医疗 AI 校准：朝着可靠且可解释的深度预测模型

本篇论文提出了一种基于置信度校准的学习方法，能够同时满足模型可靠性和可解释性，通过皮肤镜图像的病变分类问题验证了该方法的有效性，同时还提出了一种全面评估模型可靠性的机制 - Reliability Plots。

Apr, 2020

数据智能：表格数据中异质结果的群体特征刻画

该研究提出了一种名为 Data-IQ 的框架来对医疗数据集中的具有相似特征但不同结果的患者进行数据分层，并将其分为易于预测、模糊和难以预测三个互斥组群，实验结果表明该方法能够有效地提高模型的性能和可靠性，并有助于相关领域的特征提取和数据集筛选。

Oct, 2022

检测医疗 AI 模型中的算法偏见

通过使用 CART 算法，本研究提出了一种创新的框架，用于检测医疗人工智能决策支持系统中的算法偏见。通过一系列合成数据实验和格拉迪纪念医院的电子病历实验，我们验证了该方法的准确性和实用性，进一步证明了它在临床环境中作为确保公平和公正的关键工具。

Dec, 2023

通过自编码器处理的空间中的决策树特征评估数据集质量

本文探讨了机器学习分类任务中数据集质量评估的重要性，并提出了一个综合性框架进行数据集质量评估，旨在帮助研究人员和实践者评估数据集是否足够且具有特定任务所需的质量。

Jun, 2023

使用高斯过程混合模型进行个性化危险评分以预测危重病情

在这篇论文中，我们提出了一种个性化的实时风险评分算法，基于病人的（时间性）实验室测试和生命体征提供及时和细致的临床状况评估，确保临床恶化的病人能够及时转入重症监护室，该风险评分系统通过从离线电子健康记录数据中学习一组潜在的患者亚型，并训练一组高斯过程 (GP) 专家，每个专家可以模拟与特定患者亚型相关的生理数据流，从而实现。

Oct, 2016