論文の概要: BoXHED 2.0: Scalable boosting of functional data in survival analysis
- arxiv url: http://arxiv.org/abs/2103.12591v1
- Date: Tue, 23 Mar 2021 14:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 20:32:45.862425
- Title: BoXHED 2.0: Scalable boosting of functional data in survival analysis
- Title（参考訳）: BoXHED 2.0:生存分析における関数データのスケーラビリティ向上
- Authors: Arash Pakbin, Xiaochen Wang, Bobak J. Mortazavi, Donald K.K. Lee
- Abstract要約: 機能データを非機能データに変換する軽量なデータ前処理ステップを提案する。
BoXHED 2.0は、木に浮かんだハザードパッケージであるBoXHED 1.0の量子跳躍である。
- 参考スコア（独自算出の注目度）: 9.734539957471513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern applications of survival analysis increasingly involve time-dependent
covariates, which constitute a form of functional data. Learning from
functional data generally involves repeated evaluations of time integrals which
is numerically expensive. In this work we propose a lightweight data
preprocessing step that transforms functional data into nonfunctional data.
Boosting implementations for nonfunctional data can then be used, whereby the
required numerical integration comes for free as part of the training phase. We
use this to develop BoXHED 2.0, a quantum leap over the tree-boosted hazard
package BoXHED 1.0. BoXHED 2.0 extends BoXHED 1.0 to Aalen's multiplicative
intensity model, which covers censoring schemes far beyond right-censoring and
also supports recurrent events data. It is also massively scalable because of
preprocessing and also because it borrows from the core components of XGBoost.
BoXHED 2.0 supports the use of GPUs and multicore CPUs, and is available from
GitHub: www.github.com/BoXHED.
- Abstract（参考訳）: 生存分析の現代的応用は、関数データの形式を構成する時間依存の共変体をますます含んでいる。
関数データからの学習は通常、数値的に高価である時間積分の繰り返し評価を伴う。
本研究では,機能データを非機能データに変換する軽量データ前処理ステップを提案する。
非機能データの実装を加速することで、トレーニングフェーズの一部として必要な数値統合が無償で可能になる。
この手法を用いて、木組みのハザードパッケージであるBoXHED 1.0に対する量子飛躍であるBoXHED 2.0を開発した。
BoXHED 2.0はBoXHED 1.0をAalenの乗算強度モデルに拡張する。
また、前処理やXGBoostのコアコンポーネントから借用されているため、非常にスケーラブルである。
BoXHED 2.0はGPUとマルチコアCPUの使用をサポートし、GitHubから入手できる。
関連論文リスト
- Very fast Bayesian Additive Regression Trees on GPU [0.0]
単一のCPUコアと比較して最大200倍高速なGPU対応のBARTを実装し、XGBoostで実行時にBARTと競合する。
この実装はPythonパッケージのbartzで利用できる。
論文 参考訳（メタデータ） (2024-10-30T17:29:03Z) - Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。
本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-24T02:16:00Z) - NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth
Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。
セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。
結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-22T11:48:06Z) - PockEngine: Sparse and Efficient Fine-tuning in a Pocket [62.955793932377524]
さまざまなエッジデバイスで微調整が可能な,小型でスパースで効率的なエンジンであるPockEngineを紹介します。
PockEngineはスパースバックプロパゲーションをサポートし、測定メモリの節約とレイテンシの削減でモデルをスパース更新する。
注目すべきなのは、PockEngineはNVIDIA Jetson AGX OrinのLLaMav2-7Bを550トークン/秒で微調整できることだ。
論文 参考訳（メタデータ） (2023-10-26T19:46:11Z) - X-HRNet: Towards Lightweight Human Pose Estimation with Spatially
Unidimensional Self-Attention [63.64944381130373]
特に, 主ポーズ推定法は, 2次元単一ピークヒートマップを用いて人間の関節を推定する。
本稿では,空間的一次元自己認識(SUSA)という軽量で強力な代替手段を,ポイントワイズ(1×1)の畳み込みに導入する。
我々のSUSAは、ポイントワイド(1x1)畳み込みの計算複雑性を、精度を犠牲にすることなく96%削減する。
論文 参考訳（メタデータ） (2023-10-12T05:33:25Z) - LCE: An Augmented Combination of Bagging and Boosting in Python [45.65284933207566]
lcensembleはハイパフォーマンスでスケーラブルでユーザフレンドリなPythonパッケージで、分類と回帰の一般的なタスクのためのものだ。
Local Cascade Ensemble (LCE)は、現在の最先端手法であるRandom ForestとXGBoostの予測性能をさらに向上する機械学習手法である。
論文 参考訳（メタデータ） (2023-08-14T16:34:47Z) - Improving Dual-Encoder Training through Dynamic Indexes for Negative
Mining [61.09807522366773]
本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。
我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
論文 参考訳（メタデータ） (2023-03-27T15:18:32Z) - 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) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳（メタデータ） (2021-09-06T16:46:38Z) - Bilevel Online Adaptation for Out-of-Domain Human Mesh Reconstruction [94.25865526414717]
本稿では,事前に訓練されたヒトメッシュ再構築モデルをドメイン外ストリーミングビデオに適応させるという新たな問題を検討する。
重みプローブと重み更新の2つのステップに全体多対象の最適化プロセスを分割するBilevel Online Adaptationを提案します。
BOAが2つのヒューマンメッシュ再構築ベンチマークで最先端の結果をもたらすことを実証する。
論文 参考訳（メタデータ） (2021-03-30T15:47:58Z) - Survival regression with accelerated failure time model in XGBoost [1.5469452301122177]
サバイバル回帰は、時間から時間までの変数と特徴変数の関係を推定するために用いられる。
XGBoostは、高速化された障害時間モデルを学習するための損失関数を実装している。
論文 参考訳（メタデータ） (2020-06-08T20:34:20Z)
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。