具有不确定性量化的多元与在线迁移学习

未治疗的牙周炎会导致牙齿支撑组织内的炎症，并最终导致牙齿脱落。对牙周结果进行建模是有益的，因为这些结果难以测量且耗时，但必须考虑人口群体之间在表征上的差异。可能没有足够的参与者来构建特定群体的模型，而且如果在训练期间未考虑人口差异，将模型应用于代表性不足的群体的参与者可能是无效的，甚至是有害的。我们提出了对 RECaST 贝叶斯迁移学习框架的扩展。我们的方法对多元结果进行联合建模，相较于之前的单变量 RECaST 方法展现出显著提升。此外，我们引入了一种对序贯数据集进行建模的在线方法。该方法减轻了负迁移，以确保从其他人口群体共享的信息不会对代表性不足的参与者的建模产生负面影响。贝叶斯框架自然地提供了预测的不确定性量化。在医学应用中尤为重要的一点是，我们的方法不在域之间共享数据。我们在模拟数据和来自 HealthPartners Institute 的牙科记录数据库上，展示了我们的方法在预测性能和不确定性量化方面的有效性。