論文の概要: Hazard Gradient Penalty for Survival Analysis

• arxiv url: http://arxiv.org/abs/2205.13717v1
• Date: Fri, 27 May 2022 02:20:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 12:49:42.971077
• Title: Hazard Gradient Penalty for Survival Analysis
• Title（参考訳）: 生存分析における重度刑罰
• Authors: Seungjae Jung and Kyung-Min Kim
• Abstract要約: 本研究では,生存分析モデルの性能を高めるために,ハザード勾配ペナルティ(HGP)を提案する。 本手法はODEモデリングフレームワークを含む生存分析モデルに適用可能であり,実装が容易である。
• 参考スコア（独自算出の注目度）: 7.547547344228166
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Survival analysis appears in various fields such as medicine, economics, engineering, and business. Recent studies showed that the Ordinary Differential Equation (ODE) modeling framework unifies many existing survival models while the framework is flexible and widely applicable. However, naively applying the ODE framework to survival analysis problems may model fiercely changing density function which may worsen the model's performance. Though we can apply L1 or L2 regularizers to the ODE model, their effect on the ODE modeling framework is barely known. In this paper, we propose hazard gradient penalty (HGP) to enhance the performance of a survival analysis model. Our method imposes constraints on local data points by regularizing the gradient of hazard function with respect to the data point. Our method applies to any survival analysis model including the ODE modeling framework and is easy to implement. We theoretically show that our method is related to minimizing the KL divergence between the density function at a data point and that of the neighborhood points. Experimental results on three public benchmarks show that our approach outperforms other regularization methods.
• Abstract（参考訳）: 生存分析は医学、経済学、工学、ビジネスなど様々な分野で見られる。 近年の研究では、標準微分方程式(ODE)モデリングフレームワークが、フレキシブルで広く適用できる一方で、既存の生存モデルの多くを統一していることが示されている。 しかし、ODEフレームワークを生存分析問題に適用することで、モデルの性能を悪化させるような、激しく変化する密度関数をモデル化することができる。 ODEモデルにL1またはL2正規化器を適用することができるが、ODEモデリングフレームワークへの影響はほとんど分かっていない。 本稿では,生存分析モデルの性能を高めるために,ハザード勾配ペナルティ(HGP)を提案する。 本手法は,データポイントに対するハザード関数の勾配を定式化することにより,局所データポイントに制約を課す。 本手法はODEモデリングフレームワークを含む生存分析モデルに適用可能であり,実装が容易である。 理論的には,本手法はデータ点における密度関数と近傍点とのKL分散を最小化することに関連している。 3つの公開ベンチマークの実験結果から,本手法は他の正規化手法よりも優れていることが示された。

関連論文リスト

• Training Dynamics of Nonlinear Contrastive Learning Model in the High Dimensional Limit [1.7597525104451157]
  モデル重みの実験的分布は、マッキーン・ブラソフ非線形偏微分方程式(PDE)によって支配される決定論的尺度に収束する L2正則化の下で、このPDEは低次元常微分方程式(ODE)の閉集合に還元する。 ODEの固定点位置とその安定性を解析し,いくつかの興味深い結果を示した。
  論文  参考訳（メタデータ） (2024-06-11T03:07:41Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• 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)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks [14.564168076456822]
  本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。 提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
  論文  参考訳（メタデータ） (2020-08-19T19:11:25Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。