用于抗抑郁药推荐的预测约束主题模型
机器学习
2017-12-05 v1 机器学习
摘要
监督信号可帮助主题模型发现对临床任务更具可解释性的低维数据表示。我们提出一个训练监督隐狄利克雷分配（latent Dirichlet allocation）的框架，该框架平衡两个目标：对高维数据的忠实生成式解释和对关联类标签的准确预测。现有方法未能平衡这些目标，因为它们未正确处理一个根本的不对称性：预期任务始终是从数据预测标签，而非从标签预测数据。我们新的预测约束目标训练的模型能从留出数据中良好预测标签，同时也产生良好的生成似然和可解释的主题-词参数。在一个从电子健康记录预测抑郁症药物的案例研究中，我们展示了相比先前监督主题模型以及仅基于词的高维逻辑回归的改进推荐。
引用
@article{arxiv.1712.00499,
title = {Prediction-Constrained Topic Models for Antidepressant Recommendation},
author = {Michael C. Hughes and Gabriel Hope and Leah Weiner and Thomas H. McCoy and Roy H. Perlis and Erik B. Sudderth and Finale Doshi-Velez},
journal= {arXiv preprint arXiv:1712.00499},
year = {2017}
}
备注
Accepted poster at NIPS 2017 Workshop on Machine Learning for Health (https://ml4health.github.io/2017/)