PiRL：面向医疗健康的参与者不变表示学习
机器学习
2022-11-23 v1 信号处理
摘要
由于个体异质性，在数据驱动的健康应用中，通用（一刀切）模型与特定个人模型之间存在性能差距。然而，在真实应用场景中，由于新用户适配问题与系统复杂性等原因，通用模型通常更受青睐。为提升通用模型性能，我们提出一种学习参与者不变表示的表示学习框架，名为 PiRL。该框架利用最大均值差异（MMD）损失与域对抗训练，促使模型学习参与者不变表示。进一步，采用三元组损失约束模型实现表示的类间对齐，以优化所学表示用于下游健康应用。我们在两个分别与身体和心理健康相关的公开数据集上评估了我们的框架，分别用于检测睡眠呼吸暂停与压力。初步结果显示，相较基线，所提方法准确率提升约 5%。
引用
@article{arxiv.2211.12422,
title = {PiRL: Participant-Invariant Representation Learning for Healthcare},
author = {Zhaoyang Cao and Han Yu and Huiyuan Yang and Akane Sano},
journal= {arXiv preprint arXiv:2211.12422},
year = {2022}
}