論文の概要: Variable selection for nonlinear Cox regression model via deep learning
- arxiv url: http://arxiv.org/abs/2211.09287v1
- Date: Thu, 17 Nov 2022 01:17:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 15:42:54.984679
- Title: Variable selection for nonlinear Cox regression model via deep learning
- Title（参考訳）: 深層学習による非線形cox回帰モデルの変数選択
- Authors: Kexuan Li
- Abstract要約: 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。
- 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: Variable selection problem for the nonlinear Cox regression model is
considered. In survival analysis, one main objective is to identify the
covariates that are associated with the risk of experiencing the event of
interest. The Cox proportional hazard model is being used extensively in
survival analysis in studying the relationship between survival times and
covariates, where the model assumes that the covariate has a log-linear effect
on the hazard function. However, this linearity assumption may not be satisfied
in practice. In order to extract a representative subset of features, various
variable selection approaches have been proposed for survival data under the
linear Cox model. However, there exists little literature on variable selection
for the nonlinear Cox model. To break this gap, we extend the recently
developed deep learning-based variable selection model LassoNet to survival
data. Simulations are provided to demonstrate the validity and effectiveness of
the proposed method. Finally, we apply the proposed methodology to analyze a
real data set on diffuse large B-cell lymphoma.
- Abstract（参考訳）: 非線形コックス回帰モデルに対する可変選択問題を考察する。
生存分析において、主な目的は、興味のある出来事を経験するリスクに関連する共変量を特定することである。
cox比例ハザードモデル(英語版)は生存時間と共変量との関係を研究するために生存解析において広く用いられている。
しかし、この線形性仮定は実際には満たされないかもしれない。
特徴の代表的な部分集合を抽出するために,線形コックスモデルの下での生存データに対する様々な変数選択手法が提案されている。
しかし、非線形コックスモデルに対する変数選択に関する文献はほとんどない。
このギャップを解消するために、最近開発されたディープラーニングベースの変数選択モデルであるLassoNetをサバイバルデータに拡張する。
提案手法の有効性と有効性を示すためにシミュレーションを行った。
最後に, 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するために提案手法を適用した。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Factor-Augmented Regularized Model for Hazard Regression [1.8021287677546953]
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。
論文 参考訳（メタデータ） (2022-10-03T16:35:33Z) - FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。
また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文 参考訳（メタデータ） (2022-08-21T03:35:29Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - Fast Bayesian Variable Selection in Binomial and Negative Binomial
Regression [9.774282306558465]
本稿では,二項回帰および負二項回帰における変数選択のための効率的なMCMCスキームを導入し,ロジスティック回帰を特別な事例として活用する。
実験では、17万の共変量を持つデータを含む、我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-06-28T20:54:41Z) - Variable selection with missing data in both covariates and outcomes:
Imputation and machine learning [1.0333430439241666]
欠落したデータ問題は、健康研究で普遍的です。
機械学習はパラメトリックな仮定を弱める。
XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-06T20:18:29Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - The Risks of Invariant Risk Minimization [52.7137956951533]
不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。
我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。
IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
論文 参考訳（メタデータ） (2020-10-12T14:54:32Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2020-07-26T21:01:49Z) - 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) - SurvLIME: A method for explaining machine learning survival models [4.640835690336653]
提案手法の背景にある主な考え方は,Cox比例ハザードモデルを用いて,試験例の周辺地域における生存率モデルを近似することである。
多くの数値実験がSurvLIMEの効率を実証している。
論文 参考訳（メタデータ） (2020-03-18T17:48:42Z)
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。