論文の概要: Copula-Based Deep Survival Models for Dependent Censoring
- arxiv url: http://arxiv.org/abs/2306.11912v1
- Date: Tue, 20 Jun 2023 21:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 15:36:54.616098
- Title: Copula-Based Deep Survival Models for Dependent Censoring
- Title（参考訳）: 依存的検閲のためのコプラ型深部生存モデル
- Authors: Ali Hossein Gharari Foomani, Michael Cooper, Russell Greiner, Rahul G.
Krishnan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.962520289040336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A survival dataset describes a set of instances (e.g. patients) and provides,
for each, either the time until an event (e.g. death), or the censoring time
(e.g. when lost to follow-up - which is a lower bound on the time until the
event). We consider the challenge of survival prediction: learning, from such
data, a predictive model that can produce an individual survival distribution
for a novel instance. Many contemporary methods of survival prediction
implicitly assume that the event and censoring distributions are independent
conditional on the instance's covariates - a strong assumption that is
difficult to verify (as we observe only one outcome for each instance) and
which can induce significant bias when it does not hold. This paper presents a
parametric model of survival that extends modern non-linear survival analysis
by relaxing the assumption of conditional independence. On synthetic and
semi-synthetic data, our approach significantly improves estimates of survival
distributions compared to the standard that assumes conditional independence in
the data.
- Abstract（参考訳）: サバイバルデータセットは、一連のインスタンス(例:患者)を記述し、それぞれに、事象(例:死)までの時間または検閲時間(例:フォローアップで失われると、そのイベントまでの期間の上限が低くなる)を提供する。
このようなデータから学習することで、新しいインスタンスに対して個別の生存分布を生成できる予測モデルを構築する。
多くの現代の生存予測法では、事象と検閲された分布がインスタンスの共変量に対して独立条件であると暗黙的に仮定している。
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す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。
関連論文リスト
- 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) - Deep Copula-Based Survival Analysis for Dependent Censoring with Identifiability Guarantees [14.251687262492377]
センシングは生存分析における中心的な問題であり、各サンプルに対して時間対イベント(例えば、死亡)または時間対センサー(英語版)が観察される。
そこで本研究では,依存検閲を同時に適用可能なフレキシブル・ディープ・ラーニング・ベース・サバイバル分析手法を提案する。
論文 参考訳（メタデータ） (2023-12-24T23:34:01Z) - 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) - Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。
私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
論文 参考訳（メタデータ） (2023-04-29T01:30:33Z) - 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) - Conformalized Survival Analysis [6.92027612631023]
既存の生存分析技術は、強いモデリング仮定に大きく依存している。
共形予測のアイデアに基づく推論手法を開発した。
本手法の有効性と有効性は,英国バイオバンクの合成データと実際のCOVID-19データに基づいて実証した。
論文 参考訳（メタデータ） (2021-03-17T16:32:26Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-09T06:56:31Z) - 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) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。