論文の概要: Estimation of conditional mixture Weibull distribution with
right-censored data using neural network for time-to-event analysis
- arxiv url: http://arxiv.org/abs/2002.09358v1
- Date: Fri, 21 Feb 2020 15:32:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:47:41.157453
- Title: Estimation of conditional mixture Weibull distribution with
right-censored data using neural network for time-to-event analysis
- Title(参考訳): ニューラルネットワークを用いた右チャージデータを用いた条件混合Weibull分布の推定
- Authors: Achraf Bennis (IRIT), Sandrine Mouysset (IRIT), Mathieu Serrurier
(IRIT)
- Abstract要約: ニューラルネットワークアーキテクチャと、適切な検閲されたデータを考慮した関連する損失関数について説明する。
まず、我々のモデルが合成データセット上で条件付きワイブル分布の正しいパラメータを正確に推定できることを検証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider survival analysis with right-censored data which
is a common situation in predictive maintenance and health field. We propose a
model based on the estimation of two-parameter Weibull distribution
conditionally to the features. To achieve this result, we describe a neural
network architecture and the associated loss functions that takes into account
the right-censored data. We extend the approach to a finite mixture of
two-parameter Weibull distributions. We first validate that our model is able
to precisely estimate the right parameters of the conditional Weibull
distribution on synthetic datasets. In numerical experiments on two real-word
datasets (METABRIC and SEER), our model outperforms the state-of-the-art
methods. We also demonstrate that our approach can consider any survival time
horizon.
- Abstract(参考訳): 本稿では,予測保守と健康分野における共通状況である右検閲データを用いた生存率解析について検討する。
本研究では,2パラメータワイブル分布を条件付きで推定するモデルを提案する。
この結果を達成するために,ニューラルネットワークアーキテクチャと,その右検閲データを考慮した損失関数について述べる。
我々はこのアプローチを二パラメータワイブル分布の有限混合に拡張する。
まず、我々のモデルが合成データセット上で条件付きワイブル分布の正しいパラメータを正確に推定できることを検証する。
2つの実単語データセット(METABRICとSEER)の数値実験において、我々のモデルは最先端の手法よりも優れている。
また、我々のアプローチは生存時間の地平線を考慮できることを示した。
関連論文リスト
- Generating Synthetic Ground Truth Distributions for Multi-step Trajectory Prediction using Probabilistic Composite Bézier Curves [4.837320865223374]
本稿では,合成確率的B'ezier曲線に基づく合成データセット生成手法を提案する。
本稿では, 生成した地中真実分布データを用いて, 模範的軌道予測モデルの評価を行う。
論文 参考訳(メタデータ) (2024-04-05T20:50:06Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳(メタデータ) (2023-03-06T17:19:23Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - Data-SUITE: Data-centric identification of in-distribution incongruous
examples [81.21462458089142]
Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。
我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
論文 参考訳(メタデータ) (2022-02-17T18:58:31Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳(メタデータ) (2021-03-18T11:34:08Z) - The Bayesian Method of Tensor Networks [1.7894377200944511]
ネットワークのベイズ的枠組みを2つの観点から検討する。
本研究では,2次元合成データセットにおけるモデルパラメータと決定境界を可視化することにより,ネットワークのベイズ特性について検討する。
論文 参考訳(メタデータ) (2021-01-01T14:59:15Z) - SODEN: A Scalable Continuous-Time Survival Model through Ordinary
Differential Equation Networks [14.564168076456822]
本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。
提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
論文 参考訳(メタデータ) (2020-08-19T19:11:25Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Calibrated Adversarial Refinement for Stochastic Semantic Segmentation [5.849736173068868]
本稿では,各予測に関連付けられた確率が,その根拠となる真偽の正しさを反映する,セマンティックマップ上の校正された予測分布を学習するための戦略を提案する。
マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。
本研究は,おもちゃの回帰データセットを用いて実験することにより,校正された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
論文 参考訳(メタデータ) (2020-06-23T16:39:59Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。