論文の概要: Kernelized Stein Discrepancy Tests of Goodness-of-fit for Time-to-Event
Data
- arxiv url: http://arxiv.org/abs/2008.08397v2
- Date: Wed, 26 Aug 2020 18:13:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 09:08:09.255957
- Title: Kernelized Stein Discrepancy Tests of Goodness-of-fit for Time-to-Event
Data
- Title（参考訳）: タイム・トゥ・イベントデータに対する適合性テストのカーネル化stein法
- Authors: Tamara Fernandez, Nicolas Rivera, Wenkai Xu and Arthur Gretton
- Abstract要約: 本稿では,時間対イベントデータに対するカーネル化されたStein不一致テストのコレクションを提案する。
実験の結果,提案手法は既存の試験よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 24.442094864838225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival Analysis and Reliability Theory are concerned with the analysis of
time-to-event data, in which observations correspond to waiting times until an
event of interest such as death from a particular disease or failure of a
component in a mechanical system. This type of data is unique due to the
presence of censoring, a type of missing data that occurs when we do not
observe the actual time of the event of interest but, instead, we have access
to an approximation for it given by random interval in which the observation is
known to belong. Most traditional methods are not designed to deal with
censoring, and thus we need to adapt them to censored time-to-event data. In
this paper, we focus on non-parametric goodness-of-fit testing procedures based
on combining the Stein's method and kernelized discrepancies. While for
uncensored data, there is a natural way of implementing a kernelized Stein
discrepancy test, for censored data there are several options, each of them
with different advantages and disadvantages. In this paper, we propose a
collection of kernelized Stein discrepancy tests for time-to-event data, and we
study each of them theoretically and empirically; our experimental results show
that our proposed methods perform better than existing tests, including
previous tests based on a kernelized maximum mean discrepancy.
- Abstract（参考訳）: 生存分析と信頼性理論は、特定の疾患による死亡や機械システムの部品の故障など、興味のある事象が起こるまでの待ち時間に対応する、時間-事象データの解析に関係している。
このタイプのデータは検閲の存在によってユニークであり、興味のある事象の実際の時間を観察しない場合に発生する欠落データの一種であるが、その代わりに観測が属していることが分かっているランダムな間隔で与えられたデータに対する近似へのアクセスがある。
従来の手法の多くは、検閲を扱うように設計されていないため、検閲された時間対イベントデータに適用する必要があります。
本稿では,Steinの手法とカーネル化の相違点を組み合わせた非パラメトリック適合性試験手法に着目した。
検閲されていないデータには、カーネル化されたSteinの不一致テストを実装する自然な方法があり、検閲されたデータにはいくつかの選択肢があり、それぞれ異なる利点と欠点がある。
本稿では,時間とイベントのデータに対するカーネル化されたStein離散性テストのコレクションを提案し,それぞれを理論的,経験的に研究し,提案手法が既存のテストよりも優れていることを示す。
関連論文リスト
- Sequential Kernelized Stein Discrepancy [34.773470589069476]
我々は、任意の点評価においてスタインカーネルの潜在的有界性を利用して、テストマーチンガレットを定義する。
我々は、この試験の有効性を証明し、代替案の下での富のプロセスの対数的成長の限界を低くする。
論文 参考訳（メタデータ） (2024-09-26T03:24:59Z) - Meta-Analysis with Untrusted Data [14.28797726638936]
メタアナリシスに2つの変更を加えることで、因果的疑問にもっと正確に答える方法を示す。
まず,大規模観測データベースから引き出された信頼できないデータを組み込む。
第二に、不均一な試行を扱うことができるよりリッチなモデルを訓練する。
論文 参考訳（メタデータ） (2024-07-12T16:07:53Z) - Benchmarking Observational Studies with Experimental Data under
Right-Censoring [18.768537827004536]
検閲時間が時間と時間とは無関係である2つの事例を考察する。
偏りのないCATE推定が不可能な場合でも,同じテストが引き続き使用可能であることを示す。
半合成実験による検閲意識テストの有効性を検証するとともに,女性保健イニシアチブによるRTTおよびOSデータの解析を行った。
論文 参考訳（メタデータ） (2024-02-23T06:44:13Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。
私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
論文 参考訳（メタデータ） (2023-04-29T01:30:33Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳（メタデータ） (2022-12-14T18:08:42Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-09T06:56:31Z)
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。