Regression with n → 1 by expert knowledge elicitation

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

3 Sitaatiot (Scopus)

Abstrakti

We consider regression under the "extremely small n large p" condition, where the number of samples n is so small compared to the dimensionality p that predictors cannot be estimated without prior knowledge. This setup occurs in personalized medicine, for instance, when predicting treatment outcomes for an individual patient based on noisy high-dimensional genomics data. A remaining source of information is expert knowledge, which has received relatively little attention in recent years. We formulate the inference problem of asking expert feedback on features on a budget, propose an elicitation strategy for a simple "small n" setting, and derive conditions under which the elicitation strategy is optimal. Experiments on simulated experts, both on synthetic and genomics data, demonstrate that the proposed strategy can drastically improve prediction accuracy.

AlkuperäiskieliEnglanti
OtsikkoProceedings - 2016 15th IEEE International Conference on Machine Learning and Applications, ICMLA 2016
KustantajaIEEE
Sivut734-739
Sivumäärä6
ISBN (elektroninen)9781509061662
DOI - pysyväislinkit
TilaJulkaistu - 31 tammikuuta 2017
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Conference on Machine Learning and Applications - Anaheim, Yhdysvallat
Kesto: 18 joulukuuta 201620 joulukuuta 2016
Konferenssinumero: 15
http://www.icmla-conference.org/icmla16/

Conference

ConferenceIEEE International Conference on Machine Learning and Applications
LyhennettäICMLA
MaaYhdysvallat
KaupunkiAnaheim
Ajanjakso18/12/201620/12/2016
www-osoite

Sormenjälki Sukella tutkimusaiheisiin 'Regression with n → 1 by expert knowledge elicitation'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

  • Siteeraa tätä

    Soare, M., Ammad-Ud-din, M., & Kaski, S. (2017). Regression with n → 1 by expert knowledge elicitation. teoksessa Proceedings - 2016 15th IEEE International Conference on Machine Learning and Applications, ICMLA 2016 (Sivut 734-739). [7838235] IEEE. https://doi.org/10.1109/ICMLA.2016.0131