論文の概要: The Concordance Index decomposition: A measure for a deeper understanding of survival prediction models

• arxiv url: http://arxiv.org/abs/2203.00144v3
• Date: Sat, 20 Jan 2024 21:46:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 00:40:43.574472
• Title: The Concordance Index decomposition: A measure for a deeper understanding of survival prediction models
• Title（参考訳）: Concordance Index decomposition: 生存予測モデルのより深い理解のための尺度
• Authors: Abdallah Alabdallah, Mattias Ohlsson, Sepideh Pashami, Thorsteinn R\"ognvaldsson
• Abstract要約: Concordance Index (C-index) は、予測モデルの性能を評価するためにサバイバル分析で一般的に用いられる指標である。 そこで本研究では,C-インデックスを2種類の重み付き調和平均値に分解する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.186455928607442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Concordance Index (C-index) is a commonly used metric in Survival Analysis for evaluating the performance of a prediction model. In this paper, we propose a decomposition of the C-index into a weighted harmonic mean of two quantities: one for ranking observed events versus other observed events, and the other for ranking observed events versus censored cases. This decomposition enables a finer-grained analysis of the relative strengths and weaknesses between different survival prediction methods. The usefulness of this decomposition is demonstrated through benchmark comparisons against classical models and state-of-the-art methods, together with the new variational generative neural-network-based method (SurVED) proposed in this paper. The performance of the models is assessed using four publicly available datasets with varying levels of censoring. Using the C-index decomposition and synthetic censoring, the analysis shows that deep learning models utilize the observed events more effectively than other models. This allows them to keep a stable C-index in different censoring levels. In contrast to such deep learning methods, classical machine learning models deteriorate when the censoring level decreases due to their inability to improve on ranking the events versus other events.
• Abstract（参考訳）: Concordance Index (C-index) は、予測モデルの性能を評価するためにサバイバル分析で一般的に用いられる指標である。 本稿では,c-indexを2種類の重み付き調和平均に分解する方法を提案する。1つは観測事象を他の観測事象と比較し,もう1つは観測事象を検閲事例と比較した場合の重み付き調和平均である。 この分解により、異なる生存予測法間の相対的な強度と弱さのよりきめ細かな解析が可能となる。 この分解の有用性は,本論文で提案する新しい変分生成ニューラルネットワークベース法(surved)とともに,古典的モデルと最先端手法とのベンチマーク比較により実証された。 モデルのパフォーマンスは、検閲のレベルが異なる4つの公開データセットを用いて評価される。 C-インデックス分解と合成検閲を用いて、ディープラーニングモデルは、観測された事象を他のモデルよりも効果的に利用することを示す。 これにより、安定したCインデックスを異なる検閲レベルに保つことができる。 このような深層学習とは対照的に、従来の機械学習モデルは、イベントと他のイベントとのランキングを改善することができないため、検閲レベルが低下すると劣化する。

関連論文リスト

• Distilling Influences to Mitigate Prediction Churn in Graph Neural Networks [4.213427823201119]
  類似した性能を持つモデルは、予測チャーンと呼ばれる個々のサンプルの予測に大きな不一致を示す。 本研究では,モデル間でノードが使用する理由の変動を定量化するために,影響差(ID)と呼ばれる新しい指標を提案する。 また、安定なノードと不安定な予測を持つノードの違いも考慮し、どちらも同じ理由で異なる理由を生かしていると仮定する。 効率的な近似法としてDropDistillation(DD)を導入する。
  論文  参考訳（メタデータ） (2023-10-02T07:37:28Z)
• Predictive change point detection for heterogeneous data [1.1720726814454114]
  予測と比較」は、予測機械学習モデルによって支援される変化点検出フレームワークである。 オンラインCDDルーチンでは、偽陽性率と制御不能な平均ランの長さでパフォーマンスが向上する。 この手法のパワーはトライボロジーのケーススタディで実証されている。
  論文  参考訳（メタデータ） (2023-05-11T07:59:18Z)
• A Statistical Learning Take on the Concordance Index for Survival Analysis [0.29005223064604074]
  C-index Fisher-Consistencyの結果と、生存分析においてよく使われるコスト関数に対する過剰なリスク境界を提供する。 また、モデル仮定が作成されず、C-インデックスと整合性を示す新しいオフ・ザ・シェルフ法を提示する一般事例についても検討する。
  論文  参考訳（メタデータ） (2023-02-23T14:33:54Z)
• Testing the Robustness of Learned Index Structures [15.472214703318805]
  本研究は, 学習指標構造の頑健性を評価する。 敵のワークロードをシミュレートするため,線形回帰モデルに対してデータ中毒攻撃を行う。 有毒なデータセットと無毒なデータセットで評価すると,学習されたインデックス構造が最大20%の大幅な性能劣化に悩まされる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-07-23T18:44:54Z)
• Compound virtual screening by learning-to-rank with gradient boosting decision tree and enrichment-based cumulative gain [0.0]
  勾配向上決定木(GBDT)ベースの学習 to ランク法が最近人気を集めている。 正規化Enrichment Discounted Cumulative Gain (NEDCG) は、ランキング予測の有効性を適切に評価することを目的としている。 NEDCGは、回帰による予測はマルチアッセイ、マルチデータセットデータセットにおけるランダムな予測に匹敵することを示した。
  論文  参考訳（メタデータ） (2022-05-04T16:36:24Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
  そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。 また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。 実験の結果,提案手法は従来の手法よりも有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-08T13:10:42Z)
• A comprehensive comparative evaluation and analysis of Distributional Semantic Models [61.41800660636555]
  我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。 その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。 我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
  論文  参考訳（メタデータ） (2021-05-20T15:18:06Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
  モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。 我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。 以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-18T16:55:25Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。