論文の概要: Factor-Augmented Regularized Model for Hazard Regression

• arxiv url: http://arxiv.org/abs/2210.01067v1
• Date: Mon, 3 Oct 2022 16:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 17:11:49.157131
• Title: Factor-Augmented Regularized Model for Hazard Regression
• Title（参考訳）: 危険回帰のための因子提示正規化モデル
• Authors: Pierre Bayle, Jianqing Fan
• Abstract要約: 本研究では,ハザード回帰のための因子拡張正規化モデル(FarmHazard)を提案する。 モデル選択の整合性と推定の整合性を軽度条件下で証明する。 また,超高次元問題における強い相関に対処する因子拡張可変スクリーニング手法を開発した。
• 参考スコア（独自算出の注目度）: 1.8021287677546953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A prevalent feature of high-dimensional data is the dependence among covariates, and model selection is known to be challenging when covariates are highly correlated. To perform model selection for the high-dimensional Cox proportional hazards model in presence of correlated covariates with factor structure, we propose a new model, Factor-Augmented Regularized Model for Hazard Regression (FarmHazard), which builds upon latent factors that drive covariate dependence and extends Cox's model. This new model generates procedures that operate in two steps by learning factors and idiosyncratic components from high-dimensional covariate vectors and then using them as new predictors. Cox's model is a widely used semi-parametric model for survival analysis, where censored data and time-dependent covariates bring additional technical challenges. We prove model selection consistency and estimation consistency under mild conditions. We also develop a factor-augmented variable screening procedure to deal with strong correlations in ultra-high dimensional problems. Extensive simulations and real data experiments demonstrate that our procedures enjoy good performance and achieve better results on model selection, out-of-sample C-index and screening than alternative methods.
• Abstract（参考訳）: 高次元データの一般的な特徴は共変量間の依存性であり、モデル選択は共変量が高い相関を持つ場合に困難であることが知られている。 因子構造と相関する共変量が存在する場合の高次元コックス比例ハザードモデルのモデル選択を行うため,コックスのモデルを拡張し,共変量依存を駆動する潜在因子の上に構築する因子拡張正規化モデル(FarmHazard)を提案する。 この新モデルは、高次元共変量ベクトルから因子と慣性成分を学習し、新しい予測子として使用することによって、2段階の手順を生成する。 コックスのモデルは生存分析に広く用いられている半パラメトリックモデルであり、検閲されたデータと時間依存の共変体がさらなる技術的課題をもたらす。 軽度条件下でのモデル選択一貫性と推定一貫性を実証する。 また,超高次元問題における強い相関に対処する因子拡張可変スクリーニング手法を開発した。 大規模なシミュレーションと実データ実験により, 提案手法は優れた性能を示し, モデル選択, サンプル外C-インデックス, スクリーニングにおいて, 代替手法よりも優れた結果が得られた。

関連論文リスト

• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Strong identifiability and parameter learning in regression with heterogeneous response [5.503319042839695]
  本研究では, 有限混合回帰モデルにおける強い識別可能性, 条件密度およびパラメータ推定の収束率, およびベイズ後部収縮挙動について検討する。 本稿では,本論文で報告されているいくつかの一般的な回帰混合モデルに見られるパラメータ学習行動について,シミュレーション研究とデータ図解を提供する。
  論文  参考訳（メタデータ） (2022-12-08T05:58:13Z)
• Variable selection for nonlinear Cox regression model via deep learning [0.0]
  最近開発された深層学習に基づく変数選択モデルLassoNetを生存データに拡張する。 提案手法を適用し,びまん性大細胞型B細胞リンパ腫の実際のデータセットを解析した。
  論文  参考訳（メタデータ） (2022-11-17T01:17:54Z)
• Hybrid Feature- and Similarity-Based Models for Prediction and Interpretation using Large-Scale Observational Data [0.0]
  教師付き学習のためのハイブリッド機能と類似性に基づくモデルを提案する。 提案したハイブリッドモデルは,カーネル部分の疎性誘導ペナルティを伴う凸最適化に適合する。 我々は,本モデルと,合成データを用いた特徴的および類似性に基づくアプローチとを比較し,孤独感や社会的孤立のリスクを予測するためにEHRデータを用いた。
  論文  参考訳（メタデータ） (2022-04-12T20:37:03Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A non-asymptotic model selection in block-diagonal mixture of polynomial experts models [1.491109220586182]
  回帰モデルの未知条件密度を推定するために, ペナル化最大選択基準を導入する。 我々は、Jensen-Kullback-Leibler型損失によるペナル化極大確率で満たされる有限サンプルオラクルを含む強力な理論的保証を提供する。
  論文  参考訳（メタデータ） (2021-04-18T21:32:20Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• 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)

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。