論文の概要: ICTSurF: Implicit Continuous-Time Survival Functions with Neural
Networks
- arxiv url: http://arxiv.org/abs/2312.05818v1
- Date: Sun, 10 Dec 2023 08:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 18:24:28.410398
- Title: ICTSurF: Implicit Continuous-Time Survival Functions with Neural
Networks
- Title(参考訳): ICTSurF:ニューラルネットワークによる連続時間生存機能
- Authors: Chanon Puttanawarut, Panu Looareesuwan, Romen Samuel Wabina, Prut
Saowaprut
- Abstract要約: 本研究はImplicit Continuous-Time Survival Function (ICTSurF)を紹介する。
ICTSurFは連続生存モデルに基づいて構築され、暗黙の表現を通して生存分布を構築する。
本手法は,ニューラルネットワークアーキテクチャに依存しない連続時間空間における入力を受信し,継続時間空間における生存確率を生成する。
- 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: Survival analysis is a widely known method for predicting the likelihood of
an event over time. The challenge of dealing with censored samples still
remains. Traditional methods, such as the Cox Proportional Hazards (CPH) model,
hinge on the limitations due to the strong assumptions of proportional hazards
and the predetermined relationships between covariates. The rise of models
based on deep neural networks (DNNs) has demonstrated enhanced effectiveness in
survival analysis. This research introduces the Implicit Continuous-Time
Survival Function (ICTSurF), built on a continuous-time survival model, and
constructs survival distribution through implicit representation. As a result,
our method is capable of accepting inputs in continuous-time space and
producing survival probabilities in continuous-time space, independent of
neural network architecture. Comparative assessments with existing methods
underscore the high competitiveness of our proposed approach. Our
implementation of ICTSurF is available at https://github.com/44REAM/ICTSurF.
- Abstract(参考訳): 生存分析は、時間とともに事象の可能性を予測する方法として広く知られている。
検閲されたサンプルを扱うという課題はまだ残っている。
Cox Proportional Hazards (CPH) モデルのような伝統的な手法は、比例的ハザードの強い仮定と共変量間の所定の関係による制限をヒンジする。
ディープニューラルネットワーク(DNN)に基づくモデルの台頭は、生存分析における有効性の向上を証明している。
本研究では,連続時間生存モデルに基づく暗黙的持続時間生存関数(ictsurf)を導入し,暗黙的表現による生存分布を構築する。
これにより,ニューラルネットワークのアーキテクチャによらず,連続時間空間における入力を受け取り,連続時間空間における生存確率を生成することができる。
既存手法との比較評価は,提案手法の高競争性を裏付けるものである。
ICTSurFの実装はhttps://github.com/44REAM/ICTSurFで公開されています。
関連論文リスト
- Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential
Modelling [54.97005925277638]
潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。
SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。
そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
論文 参考訳(メタデータ) (2023-08-25T08:54:41Z) - Learning Survival Distribution with Implicit Survival Function [15.588273962274393]
強い仮定を伴わない生存分布推定のためのインプシットニューラルネットワーク表現に基づくインプシット生存関数(ISF)を提案する。
実験の結果、ICFは3つの公開データセットで最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-05-24T02:51:29Z) - Neural Fine-Gray: Monotonic neural networks for competing risks [0.0]
生存分析として知られる時間対イベントモデリングは、関心のある出来事を経験していない患者の検閲に対処するため、標準回帰とは異なる。
本稿では、制約付きモノトニックニューラルネットワークを用いて、各サバイバル分布をモデル化する。
このソリューションの有効性は、1つの合成データセットと3つの医療データセットで示される。
論文 参考訳(メタデータ) (2023-05-11T10:27:59Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳(メタデータ) (2023-01-31T13:42:36Z) - FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。
また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文 参考訳(メタデータ) (2022-08-21T03:35:29Z) - FedPseudo: Pseudo value-based Deep Learning Models for Federated
Survival Analysis [9.659041001051415]
我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。
提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
論文 参考訳(メタデータ) (2022-07-12T01:10:36Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳(メタデータ) (2022-04-01T03:31:27Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2020-07-26T21:01:49Z) - Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate [8.661220987937565]
本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。
我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。
本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
論文 参考訳(メタデータ) (2020-07-15T16:20:04Z)
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。