論文の概要: Une comparaison des algorithmes d'apprentissage pour la survie avec
donn\'ees manquantes
- arxiv url: http://arxiv.org/abs/2303.13590v1
- Date: Thu, 23 Mar 2023 18:10:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 17:00:55.910279
- Title: Une comparaison des algorithmes d'apprentissage pour la survie avec
donn\'ees manquantes
- Title（参考訳）: アルゴリズムの応用に関する一考察
- Authors: Paul Dufoss\'e, S\'ebastien Benzekry
- Abstract要約: いずれの場合も,1つの計算方法が他の方法よりも優れていることは明らかである。
提案手法は、他の欠落したデータパターンや生存モデルを比較するのに利用できる。
Pythonコードはパッケージサバイバルシムを通じてアクセス可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis is an essential tool for the study of health data. An
inherent component of such data is the presence of missing values. In recent
years, researchers proposed new learning algorithms for survival tasks based on
neural networks. Here, we studied the predictive performance of such algorithms
coupled with different methods for handling missing values on simulated data
that reflect a realistic situation, i.e., when individuals belong to unobserved
clusters. We investigated different patterns of missing data. The results show
that, without further feature engineering, no single imputation method is
better than the others in all cases. The proposed methodology can be used to
compare other missing data patterns and/or survival models. The Python code is
accessible via the package survivalsim.
--
L'analyse de survie est un outil essentiel pour l'\'etude des donn\'ees de
sant\'e. Une composante inh\'erente \`a ces donn\'ees est la pr\'esence de
valeurs manquantes. Ces derni\`eres ann\'ees, de nouveaux algorithmes
d'apprentissage pour la survie, bas\'es sur les r\'eseaux de neurones, ont
\'et\'e con\c{c}us. L'objectif de ce travail est d'\'etudier la performance en
pr\'ediction de ces algorithmes coupl\'es \`a diff\'erentes m\'ethodes pour
g\'erer les valeurs manquantes, sur des donn\'ees simul\'ees qui refl\`etent
une situation rencontr\'ee en pratique, c'est-\`a dire lorsque les individus
peuvent \^etre group\'es selon leurs covariables. Diff\'erents sch\'emas de
donn\'ees manquantes sont \'etudi\'es. Les r\'esultats montrent que, sans
l'ajout de variables suppl\'ementaires, aucune m\'ethode d'imputation n'est
meilleure que les autres dans tous les cas. La m\'ethodologie propos\'ee peut
\^etre utilis\'ee pour comparer d'autres mod\`eles de survie. Le code en Python
est accessible via le package survivalsim.
- Abstract（参考訳）: 生存率分析は、健康データの研究に欠かせないツールである。
このようなデータの固有の構成要素は、欠落した値の存在である。
近年、ニューラルネットワークに基づく生存タスクのための新しい学習アルゴリズムが提案されている。
本研究では,そのようなアルゴリズムの予測性能と,非観測クラスタに属する現実的状況を反映したシミュレーションデータにおける欠落値の処理方法について検討した。
我々は欠落したデータの異なるパターンを調査した。
以上の結果から, さらなる機能工学がなければ, いずれの場合も, 単一計算法が他の手法よりも優れていることが示唆された。
提案手法は、他の欠落データパターンや生存モデルを比較するのに利用できる。
Pythonコードはパッケージサバイバルシムを通じてアクセス可能である。
-日仏関係を分析。
ヴァリュー・マンクァンテス(valeurs manquantes)という人物。
ces derni\``eres ann\'ees, de nouveaux algorithmes d'apprentissage pour la survie, bas\'es sur les r\'eseaux de neurones, ont \'et\'e con\c{c}us
l'objectif de ce travail est d'\'etudier la performance en pr\'ediction de ces algorithmes coupl\'es \`a diff\'erentes pour g\'erer les valeurs manquantes, sur des donn\'ees simul\'ees qui refl\`etent une situation rencontr\'ee en pratique, c'est-\`a dire lorsque les individus peuvent \^etre group\'es selon leurs covariables
ドン・マンクエンテス・ソント(donn\'ees manquantes sont \'etudi\'es)の略。
変数 suppl''ementaires, aucune m''ethode d'imputation n'est meilleure que les autres dans tous les cas。
訳語 比較する;比較する;比較する;比較する;比較する;比較する;比較する
le code en python est は le package survivalsim 経由でアクセス可能である。
関連論文リスト
- Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。
本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-24T02:16:00Z) - SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast [4.5445892770974154]
Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。
訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
論文 参考訳（メタデータ） (2024-03-15T18:00:11Z) - Reinterpreting survival analysis in the universal approximator age [0.0]
生存分析が分類や回帰とどのように結びつくかについて議論する。
我々は、新しい損失関数、評価指標、および数値積分を伴わずに生存曲線を確実に生成する最初の普遍近似ネットワークを提供する。
本研究では, 損失関数とモデルが, 大規模数値解析により他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-25T15:33:38Z) - Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls
and New Benchmarking [66.83273589348758]
リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。
近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。
これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
論文 参考訳（メタデータ） (2023-06-18T01:58:59Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
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。
論文 参考訳（メタデータ） (2023-02-24T17:03:51Z) - SurvLIMEpy: A Python package implementing SurvLIME [1.0689187493307983]
本稿では,SurvLIMEアルゴリズムを実装したオープンソースのPythonパッケージであるSurvLIMEpyを紹介する。
このパッケージは、Cox Proportional Hazards ModelからDeepHitやDeepSurvといったディープラーニングモデルまで、さまざまなサバイバルモデルをサポートしている。
論文 参考訳（メタデータ） (2023-02-21T09:54:32Z) - Survival Kernets: Scalable and Interpretable Deep Kernel Survival
Analysis with an Accuracy Guarantee [5.257719744958367]
本稿では、サバイバルカーネットと呼ばれる新しいディープカーネルサバイバルモデルを提案する。
解釈や理論解析のモデル化が可能な方法で、大規模なデータセットにスケールする。
論文 参考訳（メタデータ） (2022-06-21T15:42:48Z) - On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。
提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文 参考訳（メタデータ） (2022-03-08T09:57:48Z) - 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) - Understanding self-supervised Learning Dynamics without Contrastive
Pairs [72.1743263777693]
自己監視学習(SSL)に対する対照的アプローチは、同じデータポイントの2つの拡張ビュー間の距離を最小限にすることで表現を学習する。
BYOLとSimSiamは、負のペアなしで素晴らしいパフォーマンスを示す。
単純線形ネットワークにおける非コントラストSSLの非線形学習ダイナミクスについて検討する。
論文 参考訳（メタデータ） (2021-02-12T22:57:28Z) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳（メタデータ） (2020-02-26T04:18:25Z)
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。