論文の概要: Federated Survival Analysis with Discrete-Time Cox Models
- arxiv url: http://arxiv.org/abs/2006.08997v1
- Date: Tue, 16 Jun 2020 08:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 19:18:55.449231
- Title: Federated Survival Analysis with Discrete-Time Cox Models
- Title(参考訳): 離散時間コックスモデルによるフェデレーション生存分析
- Authors: Mathieu Andreux, Andre Manoel, Romuald Menuet, Charlie Saillard,
Chlo\'e Simpson
- Abstract要約: 私たちは、フェデレートラーニング(FL)を用いて、異なるセンターに位置する分散データセットから機械学習モデルを構築します。
得られたモデルが、いくつかの悪い設定で重要なパフォーマンス損失を被る可能性があることを示す。
このアプローチを用いて、合成データに基づく標準FL技術と、The Cancer Genome Atlas (TCGA)による実世界のデータセットを用いて生存モデルを訓練する。
- 参考スコア(独自算出の注目度): 0.46331617589391827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building machine learning models from decentralized datasets located in
different centers with federated learning (FL) is a promising approach to
circumvent local data scarcity while preserving privacy. However, the prominent
Cox proportional hazards (PH) model, used for survival analysis, does not fit
the FL framework, as its loss function is non-separable with respect to the
samples. The na\"ive method to bypass this non-separability consists in
calculating the losses per center, and minimizing their sum as an approximation
of the true loss. We show that the resulting model may suffer from important
performance loss in some adverse settings. Instead, we leverage the
discrete-time extension of the Cox PH model to formulate survival analysis as a
classification problem with a separable loss function. Using this approach, we
train survival models using standard FL techniques on synthetic data, as well
as real-world datasets from The Cancer Genome Atlas (TCGA), showing similar
performance to a Cox PH model trained on aggregated data. Compared to previous
works, the proposed method is more communication-efficient, more generic, and
more amenable to using privacy-preserving techniques.
- Abstract(参考訳): フェデレートラーニング(FL)によって、異なるセンターに位置する分散データセットから機械学習モデルを構築することは、プライバシーを維持しながら、ローカルデータの不足を回避するための有望なアプローチである。
しかし、生存分析に使用される顕著なcox比例ハザード(ph)モデルは、その損失関数がサンプルに関して分離不能であるため、flフレームワークに適合しない。
この非分離性をバイパスするna\"iveメソッドは、中心当たりの損失を計算し、その和を真の損失の近似として最小化する。
結果として生じるモデルは、いくつかの悪条件において重要な性能損失を被る可能性がある。
代わりに、cox phモデルの離散時間拡張を利用して、分離損失関数を持つ分類問題として生存解析を定式化する。
この手法を用いて, 合成データを用いた標準FL手法と, The Cancer Genome Atlas (TCGA) による実世界のデータセットを用いて生存モデルを訓練し, 集約データに基づいて訓練されたCox PHモデルと類似した性能を示す。
従来の研究に比べて,提案手法はコミュニケーション効率が高く,汎用性が高く,プライバシ保存技術に適している。
関連論文リスト
- Fake It Till Make It: Federated Learning with Consensus-Oriented
Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。
FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。
古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文 参考訳(メタデータ) (2023-12-10T18:49:59Z) - Adversarial Collaborative Filtering for Free [27.949683060138064]
CF(Collaborative Filtering)は、ユーザが関心のある項目を見つけるのに役立つ。
既存の方法はノイズの多いデータ問題に悩まされ、推奨の質に悪影響を及ぼす。
本稿では, 計算コストを犠牲にすることなく, 対向学習を行う簡易かつ効果的な手法として, シャープネス対応協調フィルタリング(CF)を提案する。
論文 参考訳(メタデータ) (2023-08-20T19:25:38Z) - A Federated Learning-based Industrial Health Prognostics for
Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。
提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
論文 参考訳(メタデータ) (2023-05-13T07:20:31Z) - FedPseudo: Pseudo value-based Deep Learning Models for Federated
Survival Analysis [9.659041001051415]
我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。
提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
論文 参考訳(メタデータ) (2022-07-12T01:10:36Z) - Conditional Distribution Function Estimation Using Neural Networks for
Censored and Uncensored Data [0.0]
検閲されたデータと検閲されていないデータの両方に対してニューラルネットワークを用いて条件分布関数を推定することを検討する。
本研究では,提案手法が望ましい性能を有することを示す一方で,モデル仮定に違反した場合に偏りのある推定値が得られることを示す。
論文 参考訳(メタデータ) (2022-07-06T01:12:22Z) - Learn from Unpaired Data for Image Restoration: A Variational Bayes
Approach [18.007258270845107]
境界分布から抽出したデータから結合確率密度関数を学習するための深層生成法 LUD-VAE を提案する。
本稿では,LUD-VAEによって生成された合成データを用いて,実世界の画像認識と超分解能タスクに適用し,モデルを訓練する。
論文 参考訳(メタデータ) (2022-04-21T13:27:17Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。
我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。
CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2021-05-18T15:13:00Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳(メタデータ) (2020-05-01T04:28:38Z) - 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。