論文の概要: Evaluation of survival distribution predictions with discrimination measures

• arxiv url: http://arxiv.org/abs/2112.04828v1
• Date: Thu, 9 Dec 2021 10:52:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:21:58.450991
• Title: Evaluation of survival distribution predictions with discrimination measures
• Title（参考訳）: 判別手法による生存率分布予測の評価
• Authors: Raphael Sonabend, Andreas Bender, Sebastian Vollmer
• Abstract要約: 我々は, 生存率の予測を識別基準で評価する方法を検討する。 この手法は文献にはほとんど記述されず、しばしば不公平な比較に繋がる。 機械学習サバイバル分析ソフトウェアは、分布とリスク予測の間の明確な変換を実装することを推奨する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we consider how to evaluate survival distribution predictions with measures of discrimination. This is a non-trivial problem as discrimination measures are the most commonly used in survival analysis and yet there is no clear method to derive a risk prediction from a distribution prediction. We survey methods proposed in literature and software and consider their respective advantages and disadvantages. Whilst distributions are frequently evaluated by discrimination measures, we find that the method for doing so is rarely described in the literature and often leads to unfair comparisons. We find that the most robust method of reducing a distribution to a risk is to sum over the predicted cumulative hazard. We recommend that machine learning survival analysis software implements clear transformations between distribution and risk predictions in order to allow more transparent and accessible model evaluation.
• Abstract（参考訳）: 本稿では,識別の指標を用いた生存率分布予測手法について検討する。 これは非自明な問題であり、生存分析において最も一般的な識別手段であるが、分布予測からリスク予測を導き出す明確な方法は存在しない。 文献やソフトウェアで提案する手法を調査し,それぞれの利点と欠点を考察する。 差別対策によって度々評価されるが,その方法が文献に記述されることは稀であり,不公平な比較につながることが多い。 リスクに対する分布を減少させる最も堅牢な方法は、予測された累積的ハザードを和らげることである。 機械学習サバイバル分析ソフトウェアは、より透明でアクセスしやすいモデル評価を可能にするために、分布とリスク予測の間の明確な変換を実装することを推奨する。

関連論文リスト

• Toward Conditional Distribution Calibration in Survival Prediction [6.868842871753991]
  本研究では,モデルが観測した時点における個人生存確率を用いて,共形予測に基づく手法を提案する。 限界キャリブレーションと条件キャリブレーションの両方に関する理論的保証を提供し、15の多様な実世界のデータセットに対して広範囲にテストする。
  論文  参考訳（メタデータ） (2024-10-27T20:19:46Z)
• Predictive Uncertainty Quantification via Risk Decompositions for Strictly Proper Scoring Rules [7.0549244915538765]
  予測モデリングの不確かさは、しばしばアドホック法に依存する。 本稿では,統計的リスクを通じて不確実性を理解するための理論的アプローチを紹介する。 我々は、ポイントワイズリスクをベイズリスクと過剰リスクに分割する方法を示す。
  論文  参考訳（メタデータ） (2024-02-16T14:40:22Z)
• Is Epistemic Uncertainty Faithfully Represented by Evidential Deep Learning Methods? [26.344949402398917]
  本稿では,顕在的深層学習の新たな理論的考察について述べる。 これは二階損失関数の最適化の難しさを強調している。 第二次損失最小化における識別可能性と収束性の問題に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-14T10:07:05Z)
• Flexible Group Fairness Metrics for Survival Analysis [0.0]
  グループフェアネスの指標を用いて、既存の生存率を使ってバイアスを測定する方法について検討する。 偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
  論文  参考訳（メタデータ） (2022-05-26T20:55:55Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Uncertainty Estimation in Cancer Survival Prediction [8.827764645115955]
  生存モデルは、がん治療プロトコルの開発など、様々な分野で使用されている。 本稿では,より正確な生存予測を与えるだけでなく,生存不確実性をより正確に評価するバイーシアンフレームワークを提案する。 提案手法は,不確実性推定のための変分推論,非線形および時間変化リスクモデルの推定のためのニューラルマルチタスクロジスティック回帰,および高次元データを用いた作業に先立って追加の空間性誘導の組み合わせである。
  論文  参考訳（メタデータ） (2020-03-19T05:08:01Z)
• 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)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。