論文の概要: Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals

• arxiv url: http://arxiv.org/abs/2007.12975v1
• Date: Sat, 25 Jul 2020 16:55:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 00:43:14.388166
• Title: Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals
• Title（参考訳）: ディープカーネル生存解析と主観的生存時間予測区間
• Authors: George H. Chen
• Abstract要約: カーネルサバイバル分析で使用するカーネル関数を学習する最初のニューラルネットワークフレームワークを提案する。 実験対象に類似した個人に対して統計的に有効である生存時間推定の予測間隔を構築するためにカーネル関数を使用する方法を示す。
• 参考スコア（独自算出の注目度）: 8.75682288556859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel survival analysis methods predict subject-specific survival curves and times using information about which training subjects are most similar to a test subject. These most similar training subjects could serve as forecast evidence. How similar any two subjects are is given by the kernel function. In this paper, we present the first neural network framework that learns which kernel functions to use in kernel survival analysis. We also show how to use kernel functions to construct prediction intervals of survival time estimates that are statistically valid for individuals similar to a test subject. These prediction intervals can use any kernel function, such as ones learned using our neural kernel learning framework or using random survival forests. Our experiments show that our neural kernel survival estimators are competitive with a variety of existing survival analysis methods, and that our prediction intervals can help compare different methods' uncertainties, even for estimators that do not use kernels. In particular, these prediction interval widths can be used as a new performance metric for survival analysis methods.
• Abstract（参考訳）: 核生存率解析法は、どの訓練対象が試験対象と最も近いかの情報を用いて、被験者固有の生存曲線と時間を予測する。 最も類似した訓練対象は、予測証拠として機能する可能性がある。 2つの主題がどの程度類似しているかは、カーネル関数によって与えられる。 本稿では,カーネルサバイバル分析に使用するカーネル関数を学習する,最初のニューラルネットワークフレームワークを提案する。 また,テスト対象に類似した個人に対して統計的に有効である生存時間推定の予測間隔を構築するためにカーネル関数を利用する方法を示す。 これらの予測間隔は、ニューラルネットワークの学習フレームワークやランダムサバイバルフォレストを使って学んだような、任意のカーネル関数を使用することができます。 我々の実験では、神経核生存推定器は、既存の様々な生存分析法と競合しており、予測間隔は、カーネルを使用しない推定器であっても、異なる方法の不確実性を比較するのに役立つことが示されている。 特に、これらの予測区間幅はサバイバル解析法の新たな性能指標として使用できる。

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)
• 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)
• Survival Kernets: Scalable and Interpretable Deep Kernel Survival Analysis with an Accuracy Guarantee [5.257719744958367]
  本稿では、サバイバルカーネットと呼ばれる新しいディープカーネルサバイバルモデルを提案する。 解釈や理論解析のモデル化が可能な方法で、大規模なデータセットにスケールする。
  論文  参考訳（メタデータ） (2022-06-21T15:42:48Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Metaparametric Neural Networks for Survival Analysis [0.6445605125467573]
  本稿では,既存の生存分析手法を含むメタパラメトリックニューラルネットワークフレームワークを提案する。 このフレームワークにより、サバイバルニューラルネットワークは、基盤となるデータ構造からのジェネリック関数推定の独立性を満足することができる。
  論文  参考訳（メタデータ） (2021-10-13T10:06:57Z)
• Kernel Continual Learning [117.79080100313722]
  カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。 エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。 タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
  論文  参考訳（メタデータ） (2021-07-12T22:09:30Z)
• MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
  少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。 マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
  論文  参考訳（メタデータ） (2021-05-08T21:24:09Z)
• Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
  既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。 本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。 提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-02-09T07:19:19Z)
• BDNNSurv: Bayesian deep neural networks for survival analysis using pseudo values [7.707091943385522]
  生存データのモデル化と予測のためのベイズ階層的ディープニューラルネットワークモデルを提案する。 従来研究した手法と比較して,提案手法は生存確率のポイント推定を提供することができる。 提案手法を実装したpythonコードが提供されている。
  論文  参考訳（メタデータ） (2021-01-07T20:18:43Z)
• Learning Compositional Sparse Gaussian Processes with a Shrinkage Prior [26.52863547394537]
  本稿では,カーネル選択のスパーシティをホースシュープリアーで処理することにより,カーネル構成を学習するための新しい確率論的アルゴリズムを提案する。 本モデルは,計算時間を大幅に削減した時系列特性をキャプチャし,実世界のデータセット上での競合回帰性能を有する。
  論文  参考訳（メタデータ） (2020-12-21T13:41:15Z)

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。