論文の概要: Survival Seq2Seq: A Survival Model based on Sequence to Sequence Architecture

• arxiv url: http://arxiv.org/abs/2204.04542v1
• Date: Sat, 9 Apr 2022 20:15:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 01:13:56.159898
• Title: Survival Seq2Seq: A Survival Model based on Sequence to Sequence Architecture
• Title（参考訳）: サバイバルseq2seq : sequence to sequence architectureに基づくサバイバルモデル
• Authors: Ebrahim Pourjafari, Navid Ziaei, Mohammad R. Rezaei, Amir Sameizadeh, Mohammad Shafiee, Mohammad Alavinia, Mansour Abolghasemian, Nick Sajadi
• Abstract要約: 本稿では,検閲されたデータと競合するリスクの存在下での時間-時間(生存分析)を推定するための新しい非パラメトリックディープモデルを提案する。 Survival Seq2Seqのデコーダは、リスクの事前分布を仮定することなく、競合するリスクごとに確率分布関数(PDF)を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel non-parametric deep model for estimating time-to-event (survival analysis) in presence of censored data and competing risks. The model is designed based on the sequence-to-sequence (Seq2Seq) architecture, therefore we name it Survival Seq2Seq. The first recurrent neural network (RNN) layer of the encoder of our model is made up of Gated Recurrent Unit with Decay (GRU-D) cells. These cells have the ability to effectively impute not-missing-at-random values of longitudinal datasets with very high missing rates, such as electronic health records (EHRs). The decoder of Survival Seq2Seq generates a probability distribution function (PDF) for each competing risk without assuming any prior distribution for the risks. Taking advantage of RNN cells, the decoder is able to generate smooth and virtually spike-free PDFs. This is beyond the capability of existing non-parametric deep models for survival analysis. Training results on synthetic and medical datasets prove that Survival Seq2Seq surpasses other existing deep survival models in terms of the accuracy of predictions and the quality of generated PDFs.
• Abstract（参考訳）: 本稿では,検閲データと競合するリスクの存在下での時間-事象(生存分析)を推定する,新しい非パラメトリック深層モデルを提案する。 このモデルはSeq2Seqアーキテクチャに基づいて設計されており、Survival Seq2Seqと呼ぶ。 我々のモデルエンコーダの最初のリカレントニューラルネットワーク(RNN)層は、GRU-D(Gated Recurrent Unit with Decay)細胞からなる。 これらの細胞は、電子健康記録(EHR)のような非常に高い欠落率を持つ長手データセットの非欠失ランダム値を効果的に説明することができる。 Survival Seq2Seqのデコーダは、リスクの事前分布を仮定することなく、競合するリスクごとに確率分布関数(PDF)を生成する。 RNN細胞を利用して、デコーダはスムーズで事実上スパイクフリーなPDFを生成することができる。 これは、生存分析のための既存の非パラメトリック深層モデルの能力を超えている。 人工的および医学的なデータセットのトレーニング結果から、Survival Seq2Seqは、予測の精度と生成されたPDFの品質の観点から、既存の深層生存モデルを上回ることが証明された。

関連論文リスト

• ICTSurF: Implicit Continuous-Time Survival Functions with Neural Networks [0.0]
  本研究はImplicit Continuous-Time Survival Function (ICTSurF)を紹介する。 ICTSurFは連続生存モデルに基づいて構築され、暗黙の表現を通して生存分布を構築する。 本手法は,ニューラルネットワークアーキテクチャに依存しない連続時間空間における入力を受信し,継続時間空間における生存確率を生成する。
  論文  参考訳（メタデータ） (2023-12-10T08:29:00Z)
• A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
  ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。 本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。 また,スドクと最短経路予測の手法を自己回帰世代として評価した。
  論文  参考訳（メタデータ） (2023-12-06T20:58:07Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Neural Fine-Gray: Monotonic neural networks for competing risks [0.0]
  生存分析として知られる時間対イベントモデリングは、関心のある出来事を経験していない患者の検閲に対処するため、標準回帰とは異なる。 本稿では、制約付きモノトニックニューラルネットワークを用いて、各サバイバル分布をモデル化する。 このソリューションの有効性は、1つの合成データセットと3つの医療データセットで示される。
  論文  参考訳（メタデータ） (2023-05-11T10:27:59Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• Survival Mixture Density Networks [23.524310172914817]
  我々は、Survival Mixture Density Networks (Survival MDNs)と呼ばれる、フレキシブルな連続時間モデルの効率的な代替案を提案する。 サバイバルMDNは混合密度ネットワーク(MDN)の出力に可逆正の関数を適用する 4つのデータセットを用いて、Survival MDNは連続時間ベースラインや離散時間ベースラインよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-08-23T06:43:26Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19 [3.785123406103385]
  新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。 RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。 グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
  論文  参考訳（メタデータ） (2020-10-18T19:34:54Z)

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。