論文の概要: Diffsurv: Differentiable sorting for censored time-to-event data

• arxiv url: http://arxiv.org/abs/2304.13594v1
• Date: Wed, 26 Apr 2023 14:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 14:03:14.683873
• Title: Diffsurv: Differentiable sorting for censored time-to-event data
• Title（参考訳）: diffsurv: 検閲されたイベントデータに対する微分可能なソート
• Authors: Andre Vauvelle, Benjamin Wild, Aylin Cakiroglu, Roland Eils, Spiros Denaxas
• Abstract要約: 現在、生存分析における最も一般的なアプローチは、コックスの部分的可能性に基づいている。 我々は、検閲されたタスクを処理するためのDiffsurvと呼ばれる新しい手法を提案する。 実験の結果,Diffsurvは様々なシミュレーションおよび実世界のリスク予測シナリオにおいて,ベースラインの確立に優れていた。
• 参考スコア（独自算出の注目度）: 0.3303008003874494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is a crucial semi-supervised task in machine learning with numerous real-world applications, particularly in healthcare. Currently, the most common approach to survival analysis is based on Cox's partial likelihood, which can be interpreted as a ranking model optimized on a lower bound of the concordance index. This relation between ranking models and Cox's partial likelihood considers only pairwise comparisons. Recent work has developed differentiable sorting methods which relax this pairwise independence assumption, enabling the ranking of sets of samples. However, current differentiable sorting methods cannot account for censoring, a key factor in many real-world datasets. To address this limitation, we propose a novel method called Diffsurv. We extend differentiable sorting methods to handle censored tasks by predicting matrices of possible permutations that take into account the label uncertainty introduced by censored samples. We contrast this approach with methods derived from partial likelihood and ranking losses. Our experiments show that Diffsurv outperforms established baselines in various simulated and real-world risk prediction scenarios. Additionally, we demonstrate the benefits of the algorithmic supervision enabled by Diffsurv by presenting a novel method for top-k risk prediction that outperforms current methods.
• Abstract（参考訳）: 生存分析(Survival analysis)は、多くの現実世界の応用、特に医療における機械学習において重要な半教師付きタスクである。 現在、生存分析における最も一般的なアプローチは、コックスの部分的可能性に基づいており、これは一致指数の下限に最適化されたランキングモデルとして解釈できる。 このランク付けモデルとcoxの部分的確率の関係は、対数比較のみを考える。 近年の研究では、この対独立性仮定を緩和し、サンプル集合のランク付けを可能にする微分可能なソート手法が開発されている。 しかし、現在の微分可能なソート手法は、多くの現実世界のデータセットにおいて重要な要素である検閲を考慮できない。 この制限に対処するため、Diffsurvと呼ばれる新しい手法を提案する。 我々は,検閲されたサンプルのラベルの不確かさを考慮に入れた可能な置換の行列を予測し,検閲されたタスクを扱うための微分可能なソート手法を拡張する。 我々はこのアプローチを部分的確率とランキングの損失に由来する手法と対比する。 実験の結果,Diffsurvは様々なシミュレーションおよび実世界のリスク予測シナリオにおいて,ベースラインよりも優れていた。 さらに、Diffsurvが実現したアルゴリズム監督の利点を、現在の手法より優れたトップkリスク予測のための新しい手法を提案する。

関連論文リスト

• 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)
• Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
  正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。 目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。 ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
  論文  参考訳（メタデータ） (2023-12-27T12:45:12Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Selective Probabilistic Classifier Based on Hypothesis Testing [14.695979686066066]
  分類器の閉世界仮定の違反に対処するためのシンプルで効果的な方法を提案する。 提案手法は確率的ネットワークを用いた仮説テストに基づく拒絶オプションである。 提案手法は, より広い操作範囲を達成でき, 代替手段よりも低い偽陽性比をカバーできることが示されている。
  論文  参考訳（メタデータ） (2021-05-09T08:55:56Z)
• Continuous Mean-Covariance Bandits [39.820490484375156]
  本稿では,選択肢相関を考慮した連続平均共分散帯域モデルを提案する。 CMCBでは、与えられた選択肢の重みベクトルを逐次選択し、決定に従ってランダムなフィードバックを観察する学習者がいる。 最適な後悔(対数的因子を含む)を伴う新しいアルゴリズムを提案し、それらの最適性を検証するために一致した下界を提供する。
  論文  参考訳（メタデータ） (2021-02-24T06:37:05Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• Robust Correction of Sampling Bias Using Cumulative Distribution Functions [19.551668880584973]
  変数ドメインとバイアス付きデータセットは、トレーニングとターゲット分布の違いにつながる可能性がある。 これを緩和するための現在のアプローチは、しばしばトレーニングとターゲット確率密度関数の比率を推定することに依存する。
  論文  参考訳（メタデータ） (2020-10-23T22:13:00Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。