基于时间概率非对称多任务学习的临床风险预测
机器学习
2021-02-19 v4 机器学习
摘要
尽管近期多任务学习方法已证明可提升深度神经网络的泛化能力，但对于临床风险预测等安全关键应用应谨慎使用。这是因为即便其取得了改进的任务平均性能，仍可能在单个任务上出现性能下降，而这可能至关重要（例如死亡率风险预测）。现有非对称多任务学习方法通过从低损失任务向高损失任务进行知识迁移来解决负迁移问题。然而，使用损失作为可靠性度量是危险的，因其可能源于过拟合。对于时间序列预测任务，在某个特定时间步为一个任务（如预测脓毒症发病）学到的知识可能对后续时间步学习另一任务（如死亡率预测）有用，但各时间步损失的缺失使得难以度量各时间步的可靠性。为捕捉时间序列数据中任务间这种动态变化的非对称关系，我们提出一种新颖的时间非对称多任务学习模型，基于特征级不确定性，从确定任务/时间步向相关的不确定任务进行知识迁移。我们在多个临床风险预测任务上对照多种时间序列预测深度学习模型验证了本模型，其显著优于这些模型且无任何负迁移迹象。临床医生对所学知识图进一步的定性分析表明，它们有助于分析模型的预测。我们的最终代码可在 https://github.com/anhtuan5696/TPAMTL 获取。
引用
@article{arxiv.2006.12777,
title = {Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning},
author = {A. Tuan Nguyen and Hyewon Jeong and Eunho Yang and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2006.12777},
year = {2021}
}
备注
AAAI 2021. The first two authors contributed equally to this work. 10 pages, 4 figures, 4 tables