Modellizzazione Sanitaria Digitale Personalizzata con Utenti di Supporto Adattivi
Un approccio innovativo alla modellizzazione sanitaria digitale personalizzata impiega utenti di supporto adattivamente pesati, includendo sia individui simili che dissimili, per affrontare le sfide poste da dati specifici dell'utente limitati e inaffidabili. Questa tecnica combina perdita personale, trasferimento pesato per similarità e regolarizzazione contrastiva per mitigare correlazioni false. Viene utilizzato un algoritmo di ottimizzazione iterativa per affinare congiuntamente i parametri del modello e i pesi di similarità degli utenti. I test su sei compiti all'interno di quattro dataset reali di sanità digitale rivelano miglioramenti costanti rispetto sia ai benchmark di popolazione che a quelli personalizzati.
Fatti principali
- I modelli personalizzati sono essenziali nella sanità digitale a causa dell'eterogeneità individuale.
- La personalizzazione è limitata da dati specifici dell'utente scarsi e rumorosi.
- I metodi esistenti si basano su pre-addestramento della popolazione o su dati di soli utenti simili.
- Il framework proposto utilizza utenti di supporto adattivamente pesati, inclusi individui simili e dissimili.
- L'obiettivo integra perdita personale, trasferimento pesato per similarità e regolarizzazione contrastiva.
- Un algoritmo di ottimizzazione iterativa aggiorna congiuntamente i parametri del modello e i pesi di similarità degli utenti.
- Esperimenti su sei compiti in quattro dataset reali di sanità digitale mostrano miglioramenti costanti.
- Il metodo supera i baselines di popolazione e personalizzati.
Entità
Istituzioni
- arXiv