論文の概要: Deep Learning for Quantile Regression under Right Censoring: DeepQuantreg

• arxiv url: http://arxiv.org/abs/2007.07056v2
• Date: Mon, 12 Apr 2021 03:35:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 14:15:26.302368
• Title: Deep Learning for Quantile Regression under Right Censoring: DeepQuantreg
• Title（参考訳）: 右検閲下での量的回帰のためのディープラーニング:deepquantreg
• Authors: Yichen Jia and Jong-Hyeon Jeong
• Abstract要約: 本稿では,ニューラルネットワークのリバイバルデータに対する量子レグレッションへの応用について述べる。 本研究の目的は, 従来の量子回帰法と比較して, 非線形パターンを正確に予測できるほど, 深層学習法が柔軟であることを示すことである。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computational prediction algorithm of neural network, or deep learning, has drawn much attention recently in statistics as well as in image recognition and natural language processing. Particularly in statistical application for censored survival data, the loss function used for optimization has been mainly based on the partial likelihood from Cox's model and its variations to utilize existing neural network library such as Keras, which was built upon the open source library of TensorFlow. This paper presents a novel application of the neural network to the quantile regression for survival data with right censoring, which is adjusted by the inverse of the estimated censoring distribution in the check function. The main purpose of this work is to show that the deep learning method could be flexible enough to predict nonlinear patterns more accurately compared to existing quantile regression methods such as traditional linear quantile regression and nonparametric quantile regression with total variation regularization, emphasizing practicality of the method for censored survival data. Simulation studies were performed to generate nonlinear censored survival data and compare the deep learning method with existing quantile regression methods in terms of prediction accuracy. The proposed method is illustrated with two publicly available breast cancer data sets with gene signatures. The method has been built into a package and is freely available at \url{https://github.com/yicjia/DeepQuantreg}.
• Abstract（参考訳）: ニューラルネットワーク(ディープラーニング)の計算予測アルゴリズムは、近年、画像認識や自然言語処理と同様に統計学でも注目されている。 特に、検閲されたサバイバルデータに対する統計的応用において、最適化に使用される損失関数は、主にcoxのモデルと、tensorflowのオープンソースライブラリ上に構築されたkerasのような既存のニューラルネットワークライブラリを使用するためのバリエーションによる部分的可能性に基づいている。 本稿では,チェック関数における推定検閲分布の逆数によって調整された右検閲付き生存データに対する量子回帰に対するニューラルネットワークの新たな応用について述べる。 本研究の主な目的は,従来の線形量子化回帰法や非パラメトリック量子化回帰法といった従来の量子化回帰法と比較して,非線形パターンをより正確に予測できるほど,ディープラーニング手法が柔軟であることを示し,この手法の実用性を強調することである。 非線形検閲サバイバルデータを生成するためにシミュレーションを行い, 予測精度の観点から, 深層学習法と既存の分位回帰法を比較した。 提案手法は、遺伝子シグネチャを持つ2つの乳がんデータセットで示される。 このメソッドはパッケージに組み込まれており、 \url{https://github.com/yicjia/deepquantreg} で自由に利用できる。

関連論文リスト

• Beta quantile regression for robust estimation of uncertainty in the presence of outliers [1.6377726761463862]
  量子回帰(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために用いられる。 本稿では、頑健な分散の概念を取り入れた量子レグレッションのためのロバストな解を提案する。
  論文  参考訳（メタデータ） (2023-09-14T01:18:57Z)
• Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
  我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。 エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。 一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
  論文  参考訳（メタデータ） (2023-07-03T08:19:00Z)
• What learning algorithm is in-context learning? Investigations with linear models [87.91612418166464]
  本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。 訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。 文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
  論文  参考訳（メタデータ） (2022-11-28T18:59:51Z)
• 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)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Censored Quantile Regression Forest [81.9098291337097]
  我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。 提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
  論文  参考訳（メタデータ） (2020-01-08T23:20:23Z)

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。