論文の概要: DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2111.01482v1
• Date: Tue, 2 Nov 2021 10:33:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:23:17.903798
• Title: DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
• Title（参考訳）: DAGSurv:ディープニューラルネットワークを用いた非循環グラフに基づく生存分析
• Authors: Ansh Kumar Sharma, Rahul Kukreja, Ranjitha Prasad, Shilpa Rao
• Abstract要約: 本稿では, 有向非巡回グラフ (DAG) の知識を組み込むことが, 適切な情報源エンコーダを用いた場合の有用性を示す。 本研究では,因果構造型生存予測のための変分推論に基づく条件変分自動エンコーダを導出し,これをDAGSurvと呼ぶ。 DAGSurvの低次元および高次元の合成データセットと,METABRICやGBSGなどの実世界のデータセットの性能について述べる。
• 参考スコア（独自算出の注目度）: 3.4219044933964953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal structures for observational survival data provide crucial information regarding the relationships between covariates and time-to-event. We derive motivation from the information theoretic source coding argument, and show that incorporating the knowledge of the directed acyclic graph (DAG) can be beneficial if suitable source encoders are employed. As a possible source encoder in this context, we derive a variational inference based conditional variational autoencoder for causal structured survival prediction, which we refer to as DAGSurv. We illustrate the performance of DAGSurv on low and high-dimensional synthetic datasets, and real-world datasets such as METABRIC and GBSG. We demonstrate that the proposed method outperforms other survival analysis baselines such as Cox Proportional Hazards, DeepSurv and Deephit, which are oblivious to the underlying causal relationship between data entities.
• Abstract（参考訳）: 観測生存データの因果構造は、共変量と時間と時間の関係に関する重要な情報を提供する。 我々は、情報理論の情報源符号化論から動機付けを導き、適切な情報源エンコーダを用いた場合、有向非巡回グラフ(DAG)の知識を取り入れることが有用であることを示す。 この文脈で可能なソースエンコーダとして、因果的構造的生存予測のための変分推論に基づく条件付き変分自動エンコーダを導出し、これをdagsurvと呼ぶ。 DAGSurvの低次元および高次元の合成データセットと,METABRICやGBSGなどの実世界のデータセットの性能について述べる。 提案手法は,データエンティティ間の因果関係が不明瞭なCox Proportional Hazards,DeepSurv,Deephitなど,他の生存分析ベースラインよりも優れていることを示す。

関連論文リスト

• Convolutional Learning on Directed Acyclic Graphs [10.282099295800322]
  我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
  論文  参考訳（メタデータ） (2024-05-05T21:30:18Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Rethinking Causal Relationships Learning in Graph Neural Networks [24.7962807148905]
  本稿では,GNNの因果学習能力を高めるために,軽量で適応可能なGNNモジュールを提案する。 提案モジュールの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-15T08:54:32Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Discovering Dynamic Causal Space for DAG Structure Learning [64.763763417533]
  本稿では,DAG構造学習のための動的因果空間であるCASPERを提案する。 グラフ構造をスコア関数に統合し、因果空間における新しい尺度として、推定真理DAGと基底真理DAGの因果距離を忠実に反映する。
  論文  参考訳（メタデータ） (2023-06-05T12:20:40Z)
• DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks [2.492300648514129]
  本稿では、自動エンコーダアーキテクチャであるワッサーシュタインに基づく対向損失と非循環性制約を組み合わせたDAG-WGANを提案する。 同時に因果構造を学習し、ワッサーシュタイン距離メートル法から強度を利用することによりデータ生成能力を向上させる。 我々はDAG-WGANを最先端技術に対して評価し,その性能を実証した。
  論文  参考訳（メタデータ） (2022-04-01T12:27:27Z)
• Hybrid Deep Learning Model using SPCAGAN Augmentation for Insider Threat Analysis [7.576808824987132]
  ディープラーニングを用いた異常検出には包括的データが必要であるが、機密性に関する懸念からインサイダー脅威データは利用できない。 本研究では,不均一なデータソースから入力を受ける線形多様体学習に基づく生成逆ネットワークSPCAGANを提案する。 提案手法は誤差が低く,精度が高く,従来のモデルよりもはるかに優れた合成インサイダー脅威データを生成する。
  論文  参考訳（メタデータ） (2022-03-06T02:08:48Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)

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。