論文の概要: Neural interval-censored Cox regression with feature selection
- arxiv url: http://arxiv.org/abs/2206.06885v1
- Date: Tue, 14 Jun 2022 14:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 14:06:49.496264
- Title: Neural interval-censored Cox regression with feature selection
- Title（参考訳）: 特徴選択によるニューラルインターバル感覚コックス回帰
- Authors: Carlos Garc\'ia Meixide and Marcos Matabuena and Michael R. Kosorok
- Abstract要約: 古典的コックスモデル(英語版)は1972年に登場し、生体医学における時間-時間分析を用いて患者の予後を定量化する方法のブレークスルーを促進した。
本稿では,古典的コックスモデルのインターバルセンサス設定における説明可能性の利点を活用することを目的とする。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The classical Cox model emerged in 1972 promoting breakthroughs in how
patient prognosis is quantified using time-to-event analysis in biomedicine.
One of the most useful characteristics of the model for practitioners is the
interpretability of the variables in the analysis. However, this comes at the
price of introducing strong assumptions concerning the functional form of the
regression model. To break this gap, this paper aims to exploit the
explainability advantages of the classical Cox model in the setting of
interval-censoring using a new Lasso neural network that simultaneously selects
the most relevant variables while quantifying non-linear relations between
predictors and survival times. The gain of the new method is illustrated
empirically in an extensive simulation study with examples that involve linear
and non-linear ground dependencies. We also demonstrate the performance of our
strategy in the analysis of physiological, clinical and accelerometer data from
the NHANES 2003-2006 waves to predict the effect of physical activity on the
survival of patients. Our method outperforms the prior results in the
literature that use the traditional Cox model.
- Abstract（参考訳）: 古典的なcoxモデルは1972年に登場し、バイオメディシンの時間-事象分析を用いて患者の予後を定量化する方法のブレークスルーを奨励した。
実践者にとって最も有用な特徴の1つは、分析における変数の解釈可能性である。
しかし、これは回帰モデルの関数型に関する強い仮定を導入する代償となる。
このギャップを解消するため,本論文では,予測器と生存時間との非線形関係を定量化しつつ,最も関連する変数を同時に選択する新しいlassoニューラルネットワークを用いて,区間検閲設定における古典的coxモデルの説明可能性の利点を生かした。
新しい手法の利得は、線形および非線形の基底依存性を含む例を含む広範囲なシミュレーション研究で実証的に示される。
また,NHANES 2003-2006 波の生理・臨床・加速度計データの解析において,身体活動が患者の生存に及ぼす影響を予測するための戦略の有効性を実証した。
本手法は,従来のCoxモデルを用いた文献において,先行結果よりも優れていた。
関連論文リスト
- Adaptive Transformer Modelling of Density Function for Nonparametric Survival Analysis [11.35395323124404]
生存分析は、経済学、工学、医療など様々な分野において重要な役割を担っている。
本稿では,従来の分布仮定を使わずに,高品質な単文PDFを作成できる新しい生存回帰手法を提案する。
論文 参考訳（メタデータ） (2024-09-10T04:29:59Z) - Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。
また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。
我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文 参考訳（メタデータ） (2024-05-23T12:39:49Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - DeepBayes -- an estimator for parameter estimation in stochastic
nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。
ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。
提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文 参考訳（メタデータ） (2022-05-04T18:12:17Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Robustly Pre-trained Neural Model for Direct Temporal Relation
Extraction [10.832917897850361]
BERT (Bidirectional Representation using Transformer) のいくつかの変種について検討した。
2012 i2b2 時間関係課題データセットのセマンティックな部分集合である直接時間関係データセットを用いて,これらの手法の評価を行った。
結果: 10倍のコーパスを含む事前学習戦略を取り入れたRoBERTaは,F値の絶対スコア(1.00スケール)を0.0864改善し,SVMモデルで達成した従来の最先端性能と比較して誤差率を24%低減した。
論文 参考訳（メタデータ） (2020-04-13T22:01:38Z)
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。