論文の概要: A General Machine Learning Framework for Survival Analysis
- arxiv url: http://arxiv.org/abs/2006.15442v2
- Date: Sat, 17 Apr 2021 18:42:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 07:41:02.124543
- Title: A General Machine Learning Framework for Survival Analysis
- Title(参考訳): 生存分析のための汎用機械学習フレームワーク
- Authors: Andreas Bender, David R\"ugamer, Fabian Scheipl, Bernd Bischl
- Abstract要約: 生存分析のための機械学習手法の多くは、正しい検閲されたデータと比例的ハザード仮定による標準設定のみを考慮する。
我々は,データ拡張戦略を用いて,複雑な生存タスクを標準的なポアソン回帰タスクに還元する,時間対イベント分析のための非常に一般的な機械学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.8029049649310213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modeling of time-to-event data, also known as survival analysis, requires
specialized methods that can deal with censoring and truncation, time-varying
features and effects, and that extend to settings with multiple competing
events. However, many machine learning methods for survival analysis only
consider the standard setting with right-censored data and proportional hazards
assumption. The methods that do provide extensions usually address at most a
subset of these challenges and often require specialized software that can not
be integrated into standard machine learning workflows directly. In this work,
we present a very general machine learning framework for time-to-event analysis
that uses a data augmentation strategy to reduce complex survival tasks to
standard Poisson regression tasks. This reformulation is based on well
developed statistical theory. With the proposed approach, any algorithm that
can optimize a Poisson (log-)likelihood, such as gradient boosted trees, deep
neural networks, model-based boosting and many more can be used in the context
of time-to-event analysis. The proposed technique does not require any
assumptions with respect to the distribution of event times or the functional
shapes of feature and interaction effects. Based on the proposed framework we
develop new methods that are competitive with specialized state of the art
approaches in terms of accuracy, and versatility, but with comparatively small
investments of programming effort or requirements for specialized
methodological know-how.
- Abstract(参考訳): 生存分析として知られる時間間データのモデリングには、検閲と切り離し、時間的特徴とエフェクトを扱える特別な方法が必要であり、複数の競合するイベントの設定にまで拡張される。
しかし、生存分析のための機械学習手法の多くは、正しい検閲されたデータと比例的ハザード仮定による標準設定のみを考慮する。
拡張を提供するメソッドは通常、これらの課題のほとんどに対処し、しばしば標準的な機械学習ワークフローに直接統合できない特別なソフトウェアを必要とする。
本研究では,データ拡張戦略を用いて複雑なサバイバルタスクを削減し,標準的なポアソン回帰タスクを実現する,非常に汎用的な機械学習フレームワークを提案する。
この改革は、よく発達した統計理論に基づいている。
提案手法では,勾配木,深層ニューラルネットワーク,モデルベースブーストなど,Poisson(log-)類似度を最適化可能なアルゴリズムを,時間-時間分析の文脈で使用することができる。
提案手法では,イベント時間分布や特徴や相互作用効果の機能的形状に関して仮定を必要としない。
提案手法に基づき, 精度, 汎用性の観点からは, 専門的な技術アプローチと競合するが, 専門的な方法論的ノウハウに対するプログラミング努力や要件の投資は比較的少ない新しい手法を開発する。
関連論文リスト
- Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via
Rank Regression [17.684526928033065]
我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。
このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。
提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
論文 参考訳(メタデータ) (2023-07-16T13:58:28Z) - Federated Gradient Matching Pursuit [17.695717854068715]
従来の機械学習技術では、1つのサーバまたはデータハブ上のすべてのトレーニングデータを集中化する必要がある。
特に、FL(Federated Learning)は、ローカルクライアントでトレーニングデータを保持しながら、共有モデルを学習するためのソリューションを提供する。
本稿では,FL設定における分散制約最小化問題を解くために,新しいアルゴリズムフレームワークFedGradMPを提案する。
論文 参考訳(メタデータ) (2023-02-20T16:26:29Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。
我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。
主アルゴリズムの正確性と収束性を保証する。
論文 参考訳(メタデータ) (2021-02-01T01:13:03Z) - A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems [6.810856082577402]
データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
論文 参考訳(メタデータ) (2020-07-17T14:14:37Z) - Learning Generalized Relational Heuristic Networks for Model-Agnostic
Planning [29.714818991696088]
本稿では,記号的行動モデルが存在しない場合の一般化を学習するための新しいアプローチを開発する。
データの効率的で一般化可能な学習を容易にするために、抽象状態表現を使用する。
論文 参考訳(メタデータ) (2020-07-10T06:08:28Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z) - Machine Learning to Tackle the Challenges of Transient and Soft Errors
in Complex Circuits [0.16311150636417257]
機械学習モデルは、回路インスタンスの完全なリストに対して、インスタンスごとの正確な関数デレートデータを予測するために使用される。
提案手法を実例に適用し,各種機械学習モデルの評価と比較を行った。
論文 参考訳(メタデータ) (2020-02-18T18:38:54Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳(メタデータ) (2020-01-05T11:33:31Z)
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。