Очень рад возможности посетить NeurIPS. Хотя плакатов было слишком много, чтобы их можно было тщательно просмотреть, ниже приведена предвзятая выборка плакатов, которые привлекли мое внимание, и у меня было время их прочитать. Как правило, это статьи, которые хотя бы косвенно относятся к работе, которой я сейчас занимаюсь.
НЛП
Facebook сделал несколько захватывающих объявлений/семинаров для PyTorch, и с учетом скорой интеграции Tensorboard, возможно, будет что-то, что можно попробовать снова. Кроме того, очень интересным и только что выпущенным сегодня является бывший внутренний PyText Facebook (здесь). Это должно упростить тестирование некоторых базовых показателей.
Извлечение клинической концепции с контекстным встраиванием слов: на самом деле это то, что я уже в некоторой степени реализовал (см. здесь) и подтвердил то, что мне было интересно, что базовые вложения ELMo AllenNLP достаточно специфичны для медицинского контекста. Очень круто.
Устранение предвзятости модели
Равенство возможностей в классификации: причинно-следственный подход: я не очень хорошо знаком с деталями качества в моделях, и эта статья помогла некоторым понять эту проблему, предложив свое решение.
Объяснимость в моделях:
Улучшение простых моделей с профилями достоверности:В этом документе рассматривается улучшение производительности моделей, выбранных в тех случаях, когда объяснимость важнее производительности. Это на самом деле выходит из общей ситуации, особенно в устоявшихся учреждениях, таких как больницы, где модель, которая была проверена для производственной среды больницы и не может быть просто заменена даже чем-то вроде простого дерева решений.
Реляционные сети внимания через полносвязные условные случайные поля: общеизвестно, что интерпретация является проблемой нейронных сетей. Это подход к интерпретируемости в RNN черного ящика с глубоким обучением, использующий идеи, взятые из физики, которые пытаются найти минимальные состояния энергии и найти веса сетей внимания.
Здравоохранение/Медицина
Скрининг алкогольного расстройства плода на основе машинного обучения:Конечно, в идеале вся медицинская помощь должна быть профилактической. Это было интересное применение для профилактической помощи в самом начале жизни пациента.
Машинное обучение в электронных медицинских картах: использование моделей и функций для прогнозирования несоблюдения режима лечения:это очень сложная проблема в здравоохранении из-за сложности отслеживания поведения пациента за пределами стационара. . Это хорошая статья, по крайней мере, для начала решения проблемы. Основная проблема, конечно, в том, что пациент, получающий свое лекарство, — это не то же самое, что он на самом деле принимает его.
Использование перестановок для оценки путаницы в приложениях машинного обучения для цифрового здравоохранения: эта статья не была новаторской. Но это надежный способ взглянуть на демографические эффекты на уровне населения, особенно (как говорится в статье), когда вы не можете контролировать данные.
Учимся выявлять сепсис с помощью многозадачного гауссовского классификатора RNN: я знаю некоторых людей, которые всю свою профессиональную карьеру занимались выявлением сепсиса. Именно реакция организма на инфекцию является одним из основных источников смерти в больнице. Любой прогресс здесь — прямой доступ к спасению жизней.
Другой
Продольная оценка развернутой модели прогнозирования пожарного риска: я подумал, что эта статья интересна по очевидным причинам недавней истории, а также частью того, как ОД проникает в государственную политику. NeurIPS — это глубокое обучение, но работа, подобная этой, показывает, как ML на самом деле приносит некоторую измеримую пользу.
Актуальность байесовского позиционирования слоя для моделирования неопределенности в глубоком байесовском активном обучении:Байесовское обучение широко используется в контексте здравоохранения, и мне понравилась эта статья, потому что активное обучение может иметь множество применений. Это было бы полезно, например, для прогнозирования числа случаев гриппа во время сезона гриппа, когда непредсказуемость устойчивости вируса к прививке от гриппа приводит к низкой точности без участия человека.
