May, 2024

医学预测监测中的动态特征选择：强化学习

PDF
TL;DR研究采用强化学习优化时间序列场景下的动态特征选择方法，提高临床预测监测中的数据挖掘效果。
dynamic feature selectionmultivariate time-seriesclinical prediction monitoringreinforcement learningcost restrictions
发现论文，激发创造
  • 深度强化学习用于成本效益医学诊断

    本文介绍了一种利用增强学习和奖励设计方法优化实验测试序列，以最大化 F1 得分和降低成本的动态诊断策略。作者使用基于半模型深度诊断策略优化 (SM-DDPO) 的方法处理多种临床任务的数据，实现了高准确性和高成本效益

    Feb, 2023

  • 通过强化学习提高特征选择的分类性能

    本研究通过采用强化学习算法（特别是 Q 学习和 SARSA 学习）来解决特征选择的挑战，评估其在优化分类任务中的效果，并以乳腺癌科英布拉数据集（BCCDS）和三种归一化方法（最小 - 最大、l1 和 l2）作为实验验证。结果显示，QL@最小 - 最大和 SARSA@l2 分别达到最高的 87% 和 88% 的分类准确度，突出了基于强化学习的特征选择方法在优化分类任务中的有效性，提高了模型的准确性和效率。

    Mar, 2024

  • 使用深度强化学习的事件预测动态测量调度

    通过深度强化学习策略，将测量成本降至最低，同时最大化预测收益，实现基于病人健康历史动态调整的医学测量任务调度，有效地降低了测量次数并提高了预测准确性。

    Jan, 2019

  • 基于循环神经网络的监督增强学习在动态治疗推荐中的应用

    本文提出一种基于监督强化学习和循环神经网络的动态治疗建议系统，用于处理医疗记录中的复杂关系和部分观测问题，实验结果表明该系统能够有效减少患者死亡率和提高医疗建议的准确性。

    Jul, 2018

  • 为何花更多钱，当你可以花更少钱：主动特征获取和分类的联合学习框架

    提供了一个新的框架，通过强化学习问题对活动特征获取问题进行建模，并引入了一种更系统完善的特征子集编码机制，该方法使用无序 LSTM-based 的集合编码机制来进行学习，从而在包含有缺失条目的情况下得到了很好的应用，并在活动特征获取方面性能均优于其他基线系统。

    Sep, 2017

  • 动态特征选择的最大化互信息学习

    提出了一种基于动态特征选择（DFS）和条件互信息的特征选择方法，该方法使用了一种基于分摊优化的学习方法，并在实验中表现出优于其他特征选择方法的性能。

    Jan, 2023

  • 基于多智能体深度强化学习的 AI 驱动病人监测

    通过使用多智能体深度强化学习 (DRL) 的人工智能驱动的患者监控框架，我们提出了一个有效的患者监测系统，在处理复杂、动态的环境和波动的生命体征方面具有很大优势。我们的实验结果证明了该框架在监测患者生命体征方面的准确性优于传统模型，并通过超参数优化来提升学习过程，使其能够适应多样的患者情况和实时做出决策。

    Sep, 2023

  • 通过多样性感知交互式强化学习实现的自动特征选择

    研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架，将特征选择问题形式化为交互式强化学习框架，该框架通过自我探索经验及多元化外部技术指导训练器，从而加速学习。此外，该研究利用多种不同搜索策略进行训练，并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后，对真实世界数据集进行广泛实验以展示该方法的性能改进。

    Aug, 2020

  • 基于强化学习的多模态特征融合网络用于新类别发现

    利用深度学习技术和强化学习框架，该研究探索了未标记数据识别和分类的方法，实现了在开放域中对新类别的发现，通过多模态信息提取和融合特征，利用自监督学习和聚类方法来增强模型训练，通过环境反馈的奖励调整网络参数，确保对未知数据类别的学习准确性。研究结果在 3D 和 2D 领域的实验数据集上表现出良好的性能。

    Aug, 2023

  • PDRL：基于多智能体强化学习的预测性监控

    提出了一种新颖且通用的预测深度强化学习（PDRL）系统，用于监测复杂环境中的未来状态，并在时间序列预测过程中取得了最先进的性能。

    Sep, 2023