論文の概要: A copula-based boosting model for time-to-event prediction with dependent censoring

• arxiv url: http://arxiv.org/abs/2210.04869v1
• Date: Mon, 10 Oct 2022 17:38:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 18:56:44.931908
• Title: A copula-based boosting model for time-to-event prediction with dependent censoring
• Title（参考訳）: 依存検閲による時間-時間予測のためのコプラベースブースティングモデル
• Authors: Alise Danielle Midtfjord and Riccardo De Bin and Arne Bang Huseby
• Abstract要約: 本稿では,加速故障時間モデルに基づくブースティングアプローチであるClayton-boostを紹介する。 イベントと配信の検閲の間の依存関係を処理するために、Claytonコプラを使用する。 これは、依存検閲の存在下で予測バイアスを除去する強力な能力を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A characteristic feature of time-to-event data analysis is possible censoring of the event time. Most of the statistical learning methods for handling censored data are limited by the assumption of independent censoring, even if this can lead to biased predictions when the assumption does not hold. This paper introduces Clayton-boost, a boosting approach built upon the accelerated failure time model, which uses a Clayton copula to handle the dependency between the event and censoring distributions. By taking advantage of a copula, the independent censoring assumption is not needed any more. During comparisons with commonly used methods, Clayton-boost shows a strong ability to remove prediction bias at the presence of dependent censoring and outperforms the comparing methods either if the dependency strength or percentage censoring are considerable. The encouraging performance of Clayton-boost shows that there is indeed reasons to be critical about the independent censoring assumption, and that real-world data could highly benefit from modelling the potential dependency.
• Abstract（参考訳）: time-to-eventデータ解析の特徴は、イベント時間の検閲が可能である。 検閲データを扱うための統計的学習方法は、たとえそれが仮定が守られなくてもバイアス付き予測に繋がるとしても、独立した検閲の仮定によって制限される。 本稿では,clayton-boostについて紹介する。crayton-boostは,アクセラレーション障害時間モデルに基づくブースティング手法であり,clayton copulaを用いてイベントと検閲分布の依存性を処理する。 copulaを活用することで、独立した検閲仮定はもはや必要なくなる。 一般的な方法との比較において、Clayton-boostは依存的な検閲の有無で予測バイアスを除去し、依存強度やパーセンテージの検閲がかなり大きい場合に比較方法より優れていることを示す。 clayton-boostのパフォーマンス向上は、独立した検閲仮定に批判的な理由があることを示しており、現実世界のデータは潜在的な依存関係をモデル化することで大きな利益をもたらす可能性がある。

関連論文リスト

• Unintentional Unalignment: Likelihood Displacement in Direct Preference Optimization [60.176008034221404]
  直接選好最適化(DPO)とその変種は、言語モデルと人間の選好の整合にますます利用されている。 以前の研究では、トレーニング中に好まれる反応の可能性が減少する傾向が見られた。 確率変位は破滅的になりうることを示し、確率質量を好ましくない反応から反対の意味の反応へとシフトさせる。
  論文  参考訳（メタデータ） (2024-10-11T14:22:44Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• Deep Copula-Based Survival Analysis for Dependent Censoring with Identifiability Guarantees [14.251687262492377]
  センシングは生存分析における中心的な問題であり、各サンプルに対して時間対イベント(例えば、死亡)または時間対センサー(英語版)が観察される。 そこで本研究では,依存検閲を同時に適用可能なフレキシブル・ディープ・ラーニング・ベース・サバイバル分析手法を提案する。
  論文  参考訳（メタデータ） (2023-12-24T23:34:01Z)
• Accurate Use of Label Dependency in Multi-Label Text Classification Through the Lens of Causality [25.36416774024584]
  マルチラベルテキスト分類は、各テキストに最も関連性の高いラベルを割り当てることを目的としている。 ラベル依存は、モデルは望ましくない予測バイアスに悩まされる可能性がある。 本稿では,相関バイアスを排除し,因果関係に基づく予測を行うために,CFTC(CounterFactual Text)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T15:28:44Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Conformalized Survival Analysis [6.92027612631023]
  既存の生存分析技術は、強いモデリング仮定に大きく依存している。 共形予測のアイデアに基づく推論手法を開発した。 本手法の有効性と有効性は,英国バイオバンクの合成データと実際のCOVID-19データに基づいて実証した。
  論文  参考訳（メタデータ） (2021-03-17T16:32:26Z)
• Kernelized Stein Discrepancy Tests of Goodness-of-fit for Time-to-Event Data [24.442094864838225]
  本稿では,時間対イベントデータに対するカーネル化されたStein不一致テストのコレクションを提案する。 実験の結果,提案手法は既存の試験よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-08-19T12:27:43Z)
• Censored Quantile Regression Forest [81.9098291337097]
  我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。 提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
  論文  参考訳（メタデータ） (2020-01-08T23:20:23Z)

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。