群体感知的层次贝叶斯域适应
机器学习
2018-11-28 v1 机器学习
摘要
群体属性在健康领域以及理解数据所代表的人群和精准医疗工作中至关重要。即使在疾病感染标签内部，患者也可能表现出显著的可变性；“发热”在医生诊室报告与从在线应用报告可能意味不同，这阻碍了针对同一预测任务直接跨不同数据集学习。该问题属于域适应范式。然而，该领域的研究迄今未考虑谁生成了数据；例如，女性与男性报告的症状也可能具有不同的含义。我们提出一种新颖的群体感知域适应方法，将域适应任务表述为多源层次贝叶斯框架。该模型通过利用域与群体不变信息，在目标数据大量无标签的情况下改善了预测。
引用
@article{arxiv.1811.08579,
title = {Population-aware Hierarchical Bayesian Domain Adaptation},
author = {Vishwali Mhasawade and Nabeel Abdur Rehman and Rumi Chunara},
journal= {arXiv preprint arXiv:1811.08579},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216