論文の概要: NSOTree: Neural Survival Oblique Tree

• arxiv url: http://arxiv.org/abs/2309.13825v1
• Date: Mon, 25 Sep 2023 02:14:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 17:22:45.618911
• Title: NSOTree: Neural Survival Oblique Tree
• Title（参考訳）: NSOTree:ニューラルサバイバル斜め木
• Authors: Xiaotong Sun and Peijie Qiu
• Abstract要約: サバイバル分析(英: Survival analysis)は、特定の利害関係が成立するまでの期間を精査するために用いられる統計手法である。 深層学習に基づく手法は、その表現能力と最先端の性能からこの分野を支配してきた。 本稿では,ニューラルネットワークと木に基づく手法の両方の長所を活用し,解釈可能性を維持しつつ,複雑な関数を近似する能力を生かした。
• 参考スコア（独自算出の注目度）: 0.21756081703275998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis is a statistical method employed to scrutinize the duration until a specific event of interest transpires, known as time-to-event information characterized by censorship. Recently, deep learning-based methods have dominated this field due to their representational capacity and state-of-the-art performance. However, the black-box nature of the deep neural network hinders its interpretability, which is desired in real-world survival applications but has been largely neglected by previous works. In contrast, conventional tree-based methods are advantageous with respect to interpretability, while consistently grappling with an inability to approximate the global optima due to greedy expansion. In this paper, we leverage the strengths of both neural networks and tree-based methods, capitalizing on their ability to approximate intricate functions while maintaining interpretability. To this end, we propose a Neural Survival Oblique Tree (NSOTree) for survival analysis. Specifically, the NSOTree was derived from the ReLU network and can be easily incorporated into existing survival models in a plug-and-play fashion. Evaluations on both simulated and real survival datasets demonstrated the effectiveness of the proposed method in terms of performance and interpretability.
• Abstract（参考訳）: サバイバル分析(英: Survival analysis)は、検閲によって特徴づけられる時間と時間の情報として知られる特定の利害関係の経過を精査するために用いられる統計手法である。 近年,その表現能力と最先端性能により,ディープラーニングに基づく手法がこの分野を支配している。 しかし、ディープニューラルネットワークのブラックボックスの性質は、現実のサバイバルアプリケーションで望まれる解釈可能性を妨げるが、これまではほとんど無視されてきた。 対照的に、従来の木ベースの手法は解釈可能性において有利であるが、欲望拡大によるグローバルオプティマの近似が不可能である。 本稿では,ニューラルネットワークと木に基づく手法の強みを活かし,解釈性を維持しつつ複雑な関数を近似する能力に着目した。 そこで本研究では,生存分析のためのニューラルネットワーク型斜め木(NSOTree)を提案する。 具体的には、NSOTreeはReLUネットワークから派生したもので、プラグアンドプレイ方式で既存のサバイバルモデルに容易に組み込むことができる。 シミュレーションおよび実生存データセットの評価により,提案手法の有効性を性能と解釈可能性の観点から検証した。

関連論文リスト

• SurvReLU: Inherently Interpretable Survival Analysis via Deep ReLU Networks [0.8520624117635326]
  我々は,深部木系生存モデルと従来の木系生存モデルとのギャップを,深部修正線形ユニット(ReLU)ネットワークを介して橋渡しする。 本研究では,木質構造体の解釈可能性と深層生存モデルの表現力とを,意図的に構築した深部ReLUネットワーク(SurvReLU)が有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-19T17:06:03Z)
• An Interpretable Power System Transient Stability Assessment Method with Expert Guiding Neural-Regression-Tree [12.964139269555277]
  本稿では,TSA-ENRT(Neural-Regression-Tree)をエキスパートに導いた電力系統の過渡安定度評価手法を提案する。 TSA-ENRTは、非線形回帰木を導く専門家を用いてニューラルネットワーク予測を近似し、ニューラルネットワークはツリーモデルによって生成された解釈規則によって説明できる。 広範囲にわたる実験は、提案されたTSA-ENRTによって生成された解釈規則は、ニューラルネットワークの予測と非常に一致しており、人間の専門家の認知とより一致していることを示している。
  論文  参考訳（メタデータ） (2024-04-03T08:22:41Z)
• Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
  統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。 森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T15:36:43Z)
• Optimal Sparse Survival Trees [23.23106906682907]
  木に基づく手法は, 高い解釈性と複雑な関係を捉える能力から, 生存分析に広く採用されている。 本稿では,動的プログラミングとバウンダリを併用したモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-27T07:26:10Z)
• Optimal Survival Trees: A Dynamic Programming Approach [8.815461200424776]
  生存分析は、過去のデータに基づいて、死亡時刻、またはその他の特異な未再発事象を研究・予測する。 我々は動的プログラミングを用いて、最適性を保証する最初の生存木法を提供する。
  論文  参考訳（メタデータ） (2024-01-09T11:01:11Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Metaparametric Neural Networks for Survival Analysis [0.6445605125467573]
  本稿では,既存の生存分析手法を含むメタパラメトリックニューラルネットワークフレームワークを提案する。 このフレームワークにより、サバイバルニューラルネットワークは、基盤となるデータ構造からのジェネリック関数推定の独立性を満足することができる。
  論文  参考訳（メタデータ） (2021-10-13T10:06:57Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。