論文の概要: DeepCENT: Prediction of Censored Event Time via Deep Learning

• arxiv url: http://arxiv.org/abs/2202.05155v1
• Date: Tue, 8 Feb 2022 00:42:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 13:57:19.740322
• Title: DeepCENT: Prediction of Censored Event Time via Deep Learning
• Title（参考訳）: DeepCENT: 深層学習による知覚イベント時間の予測
• Authors: Jong-Hyeon Jeong and Yichen Jia
• Abstract要約: 本稿では,イベントへの個々の時間を直接予測する新しい手法であるDeepCENTを提案する。 DeepCENTは競合するリスクを扱うことができ、あるタイプのイベントが他のタイプのイベントを観察することを妨げる。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid advances of deep learning, many computational methods have been developed to analyze nonlinear and complex right censored data via deep learning approaches. However, the majority of the methods focus on predicting survival function or hazard function rather than predicting a single valued time to an event. In this paper, we propose a novel method, DeepCENT, to directly predict the individual time to an event. It utilizes the deep learning framework with an innovative loss function that combines the mean square error and the concordance index. Most importantly, DeepCENT can handle competing risks, where one type of event precludes the other types of events from being observed. The validity and advantage of DeepCENT were evaluated using simulation studies and illustrated with three publicly available cancer data sets.
• Abstract（参考訳）: ディープラーニングの急速な進歩により、非線形および複雑な右検閲データをディープラーニングアプローチで解析する多くの計算手法が開発されている。 しかし、ほとんどの方法は、事象に対する単一の価値ある時間を予測するのではなく、生存機能やハザード機能の予測に焦点を当てている。 本稿では,イベントへの個々の時間を直接予測する新しい手法であるDeepCENTを提案する。 ディープラーニングフレームワークと、平均二乗誤差と一致指数を組み合わせた革新的な損失関数を利用する。 最も重要なのは、deepcentが競合リスクに対処することで、ひとつのタイプのイベントが他のタイプのイベントを監視できないようにすることだ。 DeepCENTの有効性と利点をシミュレーションを用いて評価し,3つの公開癌データセットを用いて検討した。

関連論文リスト

• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring [4.0913802846346625]
  マルチイベントサバイバル分析のための新しい深層学習手法であるMENSAを紹介する。 筋萎縮性側索硬化症(ALS)患者の身体機能低下までの時間予測の問題点を考察する。 提案手法はL1-Margin損失が278.8日であるのに対し,各イベントを別々にモデル化する場合は355.2日である。
  論文  参考訳（メタデータ） (2024-09-10T14:02:34Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• 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)
• 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)
• KL-divergence Based Deep Learning for Discrete Time Model [12.165326681174408]
  新たに収集した時系列データと外部生存予測モデルを統合するために,Kullback-Leibler-based (KL)ディープラーニング手法を開発した。 時間依存KL識別情報を用いて、外部データと内部データとの差を測定する。
  論文  参考訳（メタデータ） (2022-08-10T01:46:26Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Bayesian Active Learning for Wearable Stress and Affect Detection [0.7106986689736827]
  デバイス上での深層学習アルゴリズムによるストレス検出は、広汎なコンピューティングの進歩により増加傾向にある。 本稿では,ベイズニューラルネットワークの近似によるモデル不確実性を表現可能なフレームワークを提案する。 提案手法は, 提案手法により, 推定時の効率を著しく向上し, 獲得したプール点数がかなり少なくなる。
  論文  参考訳（メタデータ） (2020-12-04T16:19:37Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)

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。