論文の概要: Deep Learning for Survival Analysis: A Review
- arxiv url: http://arxiv.org/abs/2305.14961v1
- Date: Wed, 24 May 2023 09:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 17:22:30.867476
- Title: Deep Learning for Survival Analysis: A Review
- Title（参考訳）: 生存分析のためのディープラーニング: レビュー
- Authors: Simon Wiegrebe, Philipp Kopper, Raphael Sonabend, and Andreas Bender
- Abstract要約: 深層学習(DL)技術の生存分析分野への流入は,方法論的な進歩をもたらした。
現代のDLベースのサバイバルメソッドは、時間と時間のデータ設定において、シナリオの小さなサブセットにのみ対処する。
本稿では、このレビューに含まれるメソッドを、オープンソースでインタラクティブなテーブルとして詳細に評価する。
- 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: The influx of deep learning (DL) techniques into the field of survival
analysis in recent years, coupled with the increasing availability of
high-dimensional omics data and unstructured data like images or text, has led
to substantial methodological progress; for instance, learning from such
high-dimensional or unstructured data. Numerous modern DL-based survival
methods have been developed since the mid-2010s; however, they often address
only a small subset of scenarios in the time-to-event data setting - e.g.,
single-risk right-censored survival tasks - and neglect to incorporate more
complex (and common) settings. Partially, this is due to a lack of exchange
between experts in the respective fields.
In this work, we provide a comprehensive systematic review of DL-based
methods for time-to-event analysis, characterizing them according to both
survival- and DL-related attributes. In doing so, we hope to provide a helpful
overview to practitioners who are interested in DL techniques applicable to
their specific use case as well as to enable researchers from both fields to
identify directions for future investigation. We provide a detailed
characterization of the methods included in this review as an open-source,
interactive table: https://survival-org.github.io/DL4Survival. As this research
area is advancing rapidly, we encourage the research community to contribute to
keeping the information up to date.
- Abstract（参考訳）: 近年の深層学習(DL)技術の生存分析分野への流入は、高次元のオミクスデータや画像やテキストなどの非構造化データの利用の増加と相まって、例えば、高次元または非構造化データから学ぶなど、大きな方法論的進歩をもたらした。
現代のDLベースのサバイバルメソッドは2010年代半ばから開発されてきたが、時間とイベントのデータ設定におけるシナリオの小さなサブセット(例えばシングルリスクの右チャージサバイバルタスク)に対処し、より複雑な(そして一般的な)設定を組み込むことを無視することが多い。
これは部分的には、各分野の専門家間の交流の欠如によるものである。
本研究は,DL関連属性と生存関連属性の両方に基づいて,DL関連手法の総合的な体系的レビューを行う。
そうすることで、特定のユースケースに適用可能なdl技術に興味を持つ実践者に有用な概要を提供し、両方の分野の研究者が将来の調査の方向性を特定できるようにしたいと考えています。
このレビューに含まれるメソッドの詳細な特徴を、オープンソースでインタラクティブなテーブルとして提供します。
この研究領域は急速に進展しており、研究コミュニティが情報を最新に保つことに貢献することを奨励している。
関連論文リスト
- Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。
我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。
我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
論文 参考訳（メタデータ） (2024-10-09T11:37:09Z) - Self-Supervised Learning for Text Recognition: A Critical Survey [11.599791967838481]
テキスト認識(英語: Text Recognition, TR)とは、画像からテキスト情報を取得することに焦点を当てた研究領域である。
ディープニューラルネットワーク(DNN)のトレーニングにラベルなしデータの大規模なデータセットを活用することで、自己監視学習(SSL)が注目されている。
本稿では,TR分野におけるSSLの利用を集約し,その技術の現状を概観する。
論文 参考訳（メタデータ） (2024-07-29T11:11:17Z) - Deep Learning for Multivariate Time Series Imputation: A Survey [34.31414745076129]
欠落した値は時系列データでユビキタスであり、正確な分析とダウンストリームアプリケーションのための課題を提起する。
深層学習に基づく手法は、複雑な時間的依存関係と学習データ分散を活用することで、欠落データを扱うことに成功した。
本稿では,既存の手法を2つの重要な観点から分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2024-02-06T15:03:53Z) - Label-Efficient Deep Learning in Medical Image Analysis: Challenges and
Future Directions [10.502964056448283]
医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。
我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。
具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
論文 参考訳（メタデータ） (2023-03-22T11:51:49Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Deeply-Learned Generalized Linear Models with Missing Data [6.302686933168439]
我々は、深く学習された一般化線形モデルの文脈において、欠測データの形式的処理を行う。
我々は、無視できないパターンと無視できないパターンの両方を柔軟に説明できる新しいアーキテクチャ、textitdlglmを提案する。
UCI Machine Learning Repositoryのバンクマーケティングデータセットのケーススタディで締めくくった。
論文 参考訳（メタデータ） (2022-07-18T20:00:13Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳（メタデータ） (2022-06-09T05:19:32Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z)
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。