論文の概要: DeepPAMM: Deep Piecewise Exponential Additive Mixed Models for Complex
Hazard Structures in Survival Analysis
- arxiv url: http://arxiv.org/abs/2202.07423v1
- Date: Sat, 12 Feb 2022 11:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 14:30:31.356014
- Title: DeepPAMM: Deep Piecewise Exponential Additive Mixed Models for Complex
Hazard Structures in Survival Analysis
- Title(参考訳): DeepPAMM: 生存分析における複雑なハザード構造に対する深度指数加算混合モデル
- Authors: Philipp Kopper, Simon Wiegrebe, Bernd Bischl, Andreas Bender, David
R\"ugamer
- Abstract要約: サバイバル分析(英: Survival analysis、SA)は、時間と時間に関する研究の活発な分野である。
その重要性にもかかわらず、SAは小規模なデータセットと複雑な結果分布のために依然として困難である。
本稿では,複雑な危険構造をモデル化する上で十分な柔軟性を持ちながら,統計的観点から十分に構築された汎用的なディープラーニングフレームワークであるDeepPAMMを提案する。
- 参考スコア(独自算出の注目度): 0.7349727826230864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival analysis (SA) is an active field of research that is concerned with
time-to-event outcomes and is prevalent in many domains, particularly
biomedical applications. Despite its importance, SA remains challenging due to
small-scale data sets and complex outcome distributions, concealed by
truncation and censoring processes. The piecewise exponential additive mixed
model (PAMM) is a model class addressing many of these challenges, yet PAMMs
are not applicable in high-dimensional feature settings or in the case of
unstructured or multimodal data. We unify existing approaches by proposing
DeepPAMM, a versatile deep learning framework that is well-founded from a
statistical point of view, yet with enough flexibility for modeling complex
hazard structures. We illustrate that DeepPAMM is competitive with other
machine learning approaches with respect to predictive performance while
maintaining interpretability through benchmark experiments and an extended case
study.
- Abstract(参考訳): サバイバル分析(英: Survival analysis、SA)は、時間から時間への結果に関する研究の活発な分野であり、多くの領域、特にバイオメディカルな応用で普及している。
その重要性にもかかわらず、saは小規模データセットと複雑な結果分布のために依然として困難であり、切断と検閲のプロセスによって隠蔽されている。
pamm (splitwise exponential additive mixed model) は、これらの課題の多くに対処するモデルクラスであるが、pammは高次元の特徴設定や非構造化データやマルチモーダルデータでは適用できない。
私たちはDeepPAMMという,統計的視点から見れば十分だが,複雑なハザード構造をモデル化するのに十分な柔軟性を備えた,汎用的なディープラーニングフレームワークを提案することによって,既存のアプローチを統一する。
我々は,DeepPAMMがベンチマーク実験と拡張ケーススタディを通じて解釈可能性を維持しつつ,予測性能に関して他の機械学習手法と競合することを示す。
関連論文リスト
- On Least Squares Estimation in Softmax Gating Mixture of Experts [85.61224527426624]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳(メタデータ) (2024-02-05T12:31:18Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳(メタデータ) (2024-01-18T08:12:23Z) - Evaluating tree-based imputation methods as an alternative to MICE PMM
for drawing inference in empirical studies [0.5892638927736115]
欠落したデータを扱うことは、しばしば計算手順で対処される統計解析において重要な問題である。
予測平均マッチング(PMM)を用いた連鎖方程式による多重計算の一般的な方法は、社会科学文献において標準とされている。
特に、木に基づく計算手法は、非常に競争力のあるアプローチとして現れてきた。
論文 参考訳(メタデータ) (2024-01-17T21:28:00Z) - Efficient Exploration in Continuous-time Model-based Reinforcement
Learning [37.14026153342745]
強化学習アルゴリズムは典型的には離散時間力学を考察するが、基礎となるシステムは時間的に連続していることが多い。
連続時間力学を表すモデルに基づく強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-30T15:04:40Z) - Enhanced Sampling with Machine Learning: A Review [0.0]
分子動力学(MD)は、優れた解像度を持つ物理サンプリングシステムの研究を可能にするが、厳しい時間スケールの制限に悩まされる。
これを解決するため,探索時間空間を改善するため,改良されたサンプリング手法が開発されている。
近年,機械学習(ML)技術がさまざまな分野に統合されることが約束されている。
本稿では,MLの融合とMDの強化について検討する。
論文 参考訳(メタデータ) (2023-06-15T13:13:56Z) - Skellam Mixture Mechanism: a Novel Approach to Federated Learning with
Differential Privacy [25.239222134648763]
本稿では,モデルを共同で訓練する複数の参加者間でセンシティブなデータが分散されるシナリオに焦点を当てる。
ディープニューラルネットワークは、基礎となるトレーニングデータを記憶する強力な能力を持っている。
この問題の効果的な解決策は、勾配にランダムノイズを注入することで厳密なプライバシー保証を提供する差分プライバシを持つモデルを訓練することである。
論文 参考訳(メタデータ) (2022-12-08T16:13:35Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - FiLM-Ensemble: Probabilistic Deep Learning via Feature-wise Linear
Modulation [69.34011200590817]
本稿では,特徴量線形変調の概念に基づく暗黙のアンサンブル手法であるFiLM-Ensembleを紹介する。
単一ディープネットワークのネットワークアクティベーションをFiLMで変調することにより、高多様性のモデルアンサンブルを得る。
我々は、FiLM-Ensembleが他の暗黙のアンサンブル法よりも優れており、ネットワークの明示的なアンサンブルの上限に非常に近いことを示す。
論文 参考訳(メタデータ) (2022-05-31T18:33:15Z) - Efficient Reinforcement Learning in Block MDPs: A Model-free
Representation Learning Approach [73.62265030773652]
ブロック構造力学を用いたマルコフ決定過程における効率的な強化学習アルゴリズムであるBRIEEを提案する。
BRIEEは、潜伏状態の発見、探索、搾取を相互にインターリーブし、ほぼ最適な政策を確実に学べる。
我々は、BRIEEが最先端のBlock MDPアルゴリズムであるHOMER RLや、リッチ・オブザーブレーションの組み合わせロック問題に挑戦する経験的ベースラインよりも、より標本効率が高いことを示す。
論文 参考訳(メタデータ) (2022-01-31T19:47:55Z) - Sample-Efficient Reinforcement Learning of Undercomplete POMDPs [91.40308354344505]
この研究は、これらの硬度障壁が、部分観測可能決定過程(POMDP)の豊かで興味深いサブクラスに対する効率的な強化学習を妨げないことを示している。
提案手法は, 観測回数が潜伏状態の数よりも大きく, 探索が学習に不可欠であり, 先行研究と区別できるような, エピソード有限不完全POMDPに対するサンプル効率アルゴリズムOOM-UCBを提案する。
論文 参考訳(メタデータ) (2020-06-22T17:58:54Z) - Time-Resolved fMRI Shared Response Model using Gaussian Process Factor
Analysis [19.237759421319957]
そこで我々は,S-GPFA(Shared Gaussian Process Factor Analysis)と呼ばれる新しいモデルを導入する。
シミュレーションデータを用いて地中真理潜伏構造を明らかにする上で,本モデルの有効性を実証し,公開可能なRaiderおよびSherlockデータセット上での時間分割マッチングとオブジェクト間類似性の実験的性能を再現した。
論文 参考訳(メタデータ) (2020-06-10T00:15:01Z)
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。