論文の概要: Uncovering life-course patterns with causal discovery and survival analysis

• arxiv url: http://arxiv.org/abs/2001.11399v1
• Date: Thu, 30 Jan 2020 15:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 12:04:36.650263
• Title: Uncovering life-course patterns with causal discovery and survival analysis
• Title（参考訳）: 因果発見と生存分析によるライフコースパターンの解明
• Authors: Bojan Kostic, Romain Crastes dit Sourd, Stephane Hess, Joachim Scheiner, Christian Holz-Rau, Francisco C. Pereira
• Abstract要約: 生命イベントの選択と確率論的観点からの出現をモデル化するための新しいアプローチを提供する。 データはドイツのドルトムントで実施された調査から来ている。
• 参考スコア（独自算出の注目度）: 5.627346969563955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We provide a novel approach and an exploratory study for modelling life event choices and occurrence from a probabilistic perspective through causal discovery and survival analysis. Our approach is formulated as a bi-level problem. In the upper level, we build the life events graph, using causal discovery tools. In the lower level, for the pairs of life events, time-to-event modelling through survival analysis is applied to model time-dependent transition probabilities. Several life events were analysed, such as getting married, buying a new car, child birth, home relocation and divorce, together with the socio-demographic attributes for survival modelling, some of which are age, nationality, number of children, number of cars and home ownership. The data originates from a survey conducted in Dortmund, Germany, with the questionnaire containing a series of retrospective questions about residential and employment biography, travel behaviour and holiday trips, as well as socio-economic characteristic. Although survival analysis has been used in the past to analyse life-course data, this is the first time that a bi-level model has been formulated. The inclusion of a causal discovery algorithm in the upper-level allows us to first identify causal relationships between life-course events and then understand the factors that might influence transition rates between events. This is very different from more classic choice models where causal relationships are subject to expert interpretations based on model results.
• Abstract（参考訳）: 生命事象の選択と発生を因果的発見と生存分析を通じて確率論的観点からモデル化する新しいアプローチと探索的研究を提供する。 我々のアプローチは二段階問題として定式化されている。 上位レベルでは、因果発見ツールを使用してライフイベントグラフを構築します。 生活事象のペアについては,生存分析による時系列モデリングが時間依存遷移確率のモデルに適用される。 結婚、新車購入、出産、転居、離婚などの生活イベントや、年齢、国籍、子供の数、自動車の数、家所有など、生き残るための社会デコグラフィー的な属性が分析された。 このデータはドイツのドルトムントで実施された調査に端を発し、住宅や雇用の伝記、旅行行動、休暇旅行、社会経済的特徴に関する一連のふりかえり質問が含まれている。 ライフコースデータの解析には,これまで生存分析が用いられてきたが,バイレベルモデルが定式化されたのは今回が初めてである。 因果発見アルゴリズムを上位レベルに含めることで、まずライフコースイベント間の因果関係を特定し、次にイベント間の遷移率に影響を与える要因を理解することができる。 これは、因果関係がモデル結果に基づく専門家の解釈の対象となる、より古典的な選択モデルとは大きく異なる。

関連論文リスト

• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Using Sequences of Life-events to Predict Human Lives [16.77071145203099]
  我々は、人間の生活の進化と予測可能性を調べるために、最も包括的なレジストリデータを作成している。 我々は、この埋め込み空間が堅牢で高度に構造化されていることを示す1つのベクトル空間に、ライフイベントの埋め込みを作成する。 我々のモデルは、早期死亡からパーソナリティニュアンスまで多様な結果を予測することができ、最先端のモデルよりも広いマージンで優れています。
  論文  参考訳（メタデータ） (2023-06-05T16:19:48Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• EsmamDS: A more diverse exceptional survival model mining approach [0.5500249707065662]
  本稿では, 例外モデルマイニングフレームワークであるEsmamDSアルゴリズムを紹介する。 この研究はEsmamアルゴリズムに基づいてパターン冗長性の問題に対処し、生存行動のより情報的で多様な特徴付けを提供する。
  論文  参考訳（メタデータ） (2021-09-06T17:16:59Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。