論文の概要: EsmamDS: A more diverse exceptional survival model mining approach
- arxiv url: http://arxiv.org/abs/2109.02610v1
- Date: Mon, 6 Sep 2021 17:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 16:28:17.019999
- Title: EsmamDS: A more diverse exceptional survival model mining approach
- Title(参考訳): esmamds: より多様な例外的サバイバルモデルマイニングアプローチ
- Authors: Juliana Barcellos Mattos, Paulo S. G. de Mattos Neto, Renato Vimieiro
- Abstract要約: 本稿では, 例外モデルマイニングフレームワークであるEsmamDSアルゴリズムを紹介する。
この研究はEsmamアルゴリズムに基づいてパターン冗長性の問題に対処し、生存行動のより情報的で多様な特徴付けを提供する。
- 参考スコア(独自算出の注目度): 0.5500249707065662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of works in the literature strive to uncover the factors associated
with survival behaviour. However, the computational tools to provide such
information are global models designed to predict if or when a (survival) event
will occur. When approaching the problem of explaining differences in survival
behaviour, those approaches rely on (assumptions of) predictive features
followed by risk stratification. In other words, they lack the ability to
discover new information on factors related to survival. In contrast, we
approach such a problem from the perspective of descriptive supervised pattern
mining to discover local patterns associated with different survival
behaviours. Hence, we introduce the EsmamDS algorithm: an Exceptional Model
Mining framework to provide straightforward characterisations of subgroups
presenting unusual survival models -- given by the Kaplan-Meier estimates. This
work builds on the Esmam algorithm to address the problem of pattern redundancy
and provide a more informative and diverse characterisation of survival
behaviour.
- Abstract(参考訳): 文学における様々な研究は、生存行動に関連する要因を解明しようと試みている。
しかし、そのような情報を提供するための計算ツールは、(生存)事象が起こるかどうかを予測するために設計されたグローバルモデルである。
生存行動の違いを説明する問題にアプローチする場合、これらのアプローチはリスク階層化に続く予測的特徴(推定)に依存する。
言い換えれば、生存に関連する要因に関する新しい情報を見つける能力がないということだ。
対照的に,このような問題を記述的教師付きパターンマイニングの観点からアプローチし,生存行動の異なる局所パターンを探索する。
そこで,我々はesmamdsアルゴリズムを紹介する。これは,カプラン・マイアー推定によって与えられた,異常生存モデルを示す部分群の簡単な特徴付けを提供する,例外的なモデルマイニングフレームワークである。
この研究はEsmamアルゴリズムに基づいてパターン冗長性の問題に対処し、生存行動のより情報的で多様な特徴付けを提供する。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。
合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
論文 参考訳(メタデータ) (2023-06-20T21:51:13Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳(メタデータ) (2023-02-24T17:03:51Z) - Towards modelling hazard factors in unstructured data spaces using
gradient-based latent interpolation [2.3867305921818573]
生存分析(SA)における深層学習の適用は、従来の生存法では珍しい非構造的・高次元データ型を利用する機会を与える。
これにより、デジタルヘルス、予測保守、チャーン分析などの分野の手法を進歩させることができる。
本研究では,1)生存目標を持つマルチタスク可変オートエンコーダ (VAE) と,2) 元のデータ空間における危険因子をモデル化可能な新しい手法HazardWalkを提案する。
論文 参考訳(メタデータ) (2021-10-21T17:46:03Z) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳(メタデータ) (2021-06-10T14:10:25Z) - On the Efficacy of Adversarial Data Collection for Question Answering:
Results from a Large-Scale Randomized Study [65.17429512679695]
逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。
ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
論文 参考訳(メタデータ) (2021-06-02T00:48:33Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z) - Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate [8.661220987937565]
本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。
我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。
本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
論文 参考訳(メタデータ) (2020-07-15T16:20:04Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳(メタデータ) (2020-02-29T22:41:21Z)
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。