DICE：用于结果感知分层的深度显著性聚类
机器学习
2021-01-08 v1 人工智能
神经与进化计算
摘要
我们提出深度显著性聚类（DICE），一种联合执行表示学习与聚类以进行“结果感知”分层的框架。DICE 旨在生成聚类成员关系，可用于按个体对目标结果的风险水平对人群进行分类。在表示学习与聚类步骤之后，我们在 DICE 的目标函数中嵌入一个约束，要求所学表示的聚类成员关系与结果之间具有统计显著性关联。DICE 进一步包含一个神经架构搜索步骤，以在将聚类成员关系作为预测变量时，最大化表示学习的可能性与结果分类的准确性。为展示其在医学中患者风险分层中的效用，使用从真实世界电子健康记录中提取的、具有不同结果比率的两个数据集对 DICE 的性能进行了评估。结果分别定义为 COVID-19 患者队列中的急性肾损伤（30.4%）和心力衰竭患者队列中的出院去向（36.8%）。大量结果表明，与若干基线方法相比，DICE 在聚类方面通过各聚类间结果分布差异、Silhouette 分数、Calinski-Harabasz 指数和 Davies-Bouldin 指数衡量，以及在结果分类方面通过 ROC 曲线下面积（AUC）衡量，均具有更优性能。
引用
@article{arxiv.2101.02344,
title = {DICE: Deep Significance Clustering for Outcome-Aware Stratification},
author = {Yufang Huang and Kelly M. Axsom and John Lee and Lakshminarayanan Subramanian and Yiye Zhang},
journal= {arXiv preprint arXiv:2101.02344},
year = {2021}
}