ManyDG：面向医疗健康应用的多元领域泛化
机器学习
2023-02-16 v2
摘要
海量健康数据持续为每个患者收集，为支撑如癫痫发作检测与住院预测等多样医疗预测任务提供契机。现有模型多在其它患者数据上训练并评估于新患者，其中许多可能泛化性差。一个关键原因可能是与患者身份及其数据采集环境相关的独特信息导致过拟合，本文称之为患者协变量。这些患者协变量通常无助于预测目标却常难以去除，从而偏置模型训练过程并阻碍泛化。在医疗应用中，多数现有领域泛化方法假设少量领域。本文考虑患者协变量多样性，提出新设定：将每名患者视为独立领域（从而产生众多领域）。我们开发了可扩展至此类多领域问题的新领域泛化方法 ManyDG。该方法通过互重建识别患者领域协变量，并经由正交投影步骤去除之。大量实验表明 ManyDG 可提升多项真实世界医疗任务泛化性能（如 MIMIC 药物推荐上 3.7% Jaccard 提升），并支持数据不足与持续学习等现实且具挑战设定。
引用
@article{arxiv.2301.08834,
title = {ManyDG: Many-domain Generalization for Healthcare Applications},
author = {Chaoqi Yang and M. Brandon Westover and Jimeng Sun},
journal= {arXiv preprint arXiv:2301.08834},
year = {2023}
}
备注
The paper has been accepted by ICLR 2023, refer to https://openreview.net/forum?id=lcSfirnflpW. We will release the data and source codes here https://github.com/ycq091044/ManyDG