論文の概要: SurvivalGAN: Generating Time-to-Event Data for Survival Analysis

• arxiv url: http://arxiv.org/abs/2302.12749v1
• Date: Fri, 24 Feb 2023 17:03:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 12:51:16.643193
• Title: SurvivalGAN: Generating Time-to-Event Data for Survival Analysis
• Title（参考訳）: survivalgan:サバイバル分析のためのイベント時間データ生成
• Authors: Alexander Norcliffe, Bogdan Cebere, Fergus Imrie, Pietro Lio, Mihaela van der Schaar
• Abstract要約: 検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 121.84429525403694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data is becoming an increasingly promising technology, and successful applications can improve privacy, fairness, and data democratization. While there are many methods for generating synthetic tabular data, the task remains non-trivial and unexplored for specific scenarios. One such scenario is survival data. Here, the key difficulty is censoring: for some instances, we are not aware of the time of event, or if one even occurred. Imbalances in censoring and time horizons cause generative models to experience three new failure modes specific to survival analysis: (1) generating too few at-risk members; (2) generating too many at-risk members; and (3) censoring too early. We formalize these failure modes and provide three new generative metrics to quantify them. Following this, we propose SurvivalGAN, a generative model that handles survival data firstly by addressing the imbalance in the censoring and event horizons, and secondly by using a dedicated mechanism for approximating time-to-event/censoring. We evaluate this method via extensive experiments on medical datasets. SurvivalGAN outperforms multiple baselines at generating survival data, and in particular addresses the failure modes as measured by the new metrics, in addition to improving downstream performance of survival models trained on the synthetic data.
• Abstract（参考訳）: 合成データはますます有望な技術になりつつあり、成功しているアプリケーションは、プライバシー、公正性、データの民主化を改善することができる。 合成表データを生成する方法は数多く存在するが、特定のシナリオではタスクは自明で未調査のままである。 そのようなシナリオのひとつが生存データである。 いくつかの例では、私たちはイベントの時間や、1つが発生したかどうかを意識していません。 検閲と時間軸の不均衡は、生成モデルがサバイバル解析に特有の3つの新しい障害モードを経験させる:(1) リスクメンバーが少なすぎる、(2) リスクメンバーが多すぎる、(3) 検閲が早すぎる、の3つである。 これらの障害モードを形式化し、3つの新しい生成指標を提供して定量化します。 次に,SurvivalGANを提案する。SurvivalGANは,まず,検閲やイベントの地平線における不均衡に対処し,次に,時間対イベント/検閲を近似するための専用メカニズムを用いて生存データを処理する。 本手法は医療データセットの広範な実験を通じて評価する。 SurvivalGANは、サバイバルデータの生成において複数のベースラインを上回り、特に新しいメトリクスによって測定された障害モードに対処すると同時に、合成データに基づいてトレーニングされたサバイバルモデルの下流性能を改善する。

関連論文リスト

• Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations [19.560652381770243]
  我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。 我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。 提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-25T02:55:39Z)
• Conditioning on Time is All You Need for Synthetic Survival Data Generation [16.401141867387324]
  本稿では,イベント時間に条件付き共変数を生成し,インジケータを検閲することにより,合成生存データを生成するための簡単なパラダイムを提案する。 提案手法は,サバイバルデータの生成において,複数の競争ベースラインを上回りながら,トレーニングした下流サバイバルモデルの性能を向上し,実データでテストする。
  論文  参考訳（メタデータ） (2024-05-27T16:34:18Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• 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)
• Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
  本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。 合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
  論文  参考訳（メタデータ） (2023-06-20T21:51:13Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Censor-aware Semi-supervised Learning for Survival Time Prediction from Medical Images [19.76675556520657]
  検閲されたデータと検閲されていないデータを用いて生存時間を予測できる新しいトレーニング手法を提案する。 TCGA-GMおよびNLSTデータセットの病理像とX線像について検討した。
  論文  参考訳（メタデータ） (2022-05-26T08:39:02Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• 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。