論文の概要: Deep Copula-Based Survival Analysis for Dependent Censoring with Identifiability Guarantees
- arxiv url: http://arxiv.org/abs/2312.15566v4
- Date: Fri, 19 Jul 2024 04:29:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 00:06:44.469741
- Title: Deep Copula-Based Survival Analysis for Dependent Censoring with Identifiability Guarantees
- Title（参考訳）: Identifiability Guaranteeによる依存度測定のための深部コピュラに基づく生存分析
- Authors: Weijia Zhang, Chun Kai Ling, Xuanhui Zhang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.251687262492377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Censoring is the central problem in survival analysis where either the time-to-event (for instance, death), or the time-tocensoring (such as loss of follow-up) is observed for each sample. The majority of existing machine learning-based survival analysis methods assume that survival is conditionally independent of censoring given a set of covariates; an assumption that cannot be verified since only marginal distributions is available from the data. The existence of dependent censoring, along with the inherent bias in current estimators has been demonstrated in a variety of applications, accentuating the need for a more nuanced approach. However, existing methods that adjust for dependent censoring require practitioners to specify the ground truth copula. This requirement poses a significant challenge for practical applications, as model misspecification can lead to substantial bias. In this work, we propose a flexible deep learning-based survival analysis method that simultaneously accommodate for dependent censoring and eliminates the requirement for specifying the ground truth copula. We theoretically prove the identifiability of our model under a broad family of copulas and survival distributions. Experiments results from a wide range of datasets demonstrate that our approach successfully discerns the underlying dependency structure and significantly reduces survival estimation bias when compared to existing methods.
- Abstract（参考訳）: 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と時間(例えば、死亡)または時間と時間(例えば、フォローアップの喪失)が観察される。
既存の機械学習ベースの生存分析手法の大多数は、生存は一組の共変量からなる検閲とは条件的に独立していると仮定している。
依存検閲の存在と、現在の推定器の固有のバイアスは、様々なアプリケーションで実証され、よりニュアンスなアプローチの必要性が強調されている。
しかし、既存の検閲の調整方法では、実践者が真理のコプラを指定する必要がある。
この要件は、モデルの不特定が実質的なバイアスをもたらすため、実用的なアプリケーションにとって重大な課題となる。
そこで本研究では,依存検閲に対応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。
理論的には,コプラと生存分布の広い系統の下でのモデルの有効性を実証する。
幅広いデータセットから得られた実験結果から,本手法が基盤となる依存関係構造を識別し,既存手法と比較して生存推定バイアスを著しく低減することを示した。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - 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) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - 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) - Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
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。
論文 参考訳（メタデータ） (2023-06-20T21:51:13Z) - 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) - 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) - Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。
一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。
我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文 参考訳（メタデータ） (2022-02-08T16:09:12Z) - 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) - Survival Estimation for Missing not at Random Censoring Indicators based
on Copula Models [1.52292571922932]
そこで本研究では,MNARを非ランダムに検閲しない条件付き生存関数に対する条件付きコーパスモデルに基づく新しい条件付き生存関数推定器を提案する。
理論的な結果に加えて,シミュレーションによる小サンプルに対する推定器の動作方法や,合成データおよび実データの解析による実用性を示す。
論文 参考訳（メタデータ） (2020-09-03T15:04:27Z) - 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。