論文の概要: Robust Survival Analysis with Adversarial Regularization

• arxiv url: http://arxiv.org/abs/2312.16019v1
• Date: Tue, 26 Dec 2023 12:18:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 15:09:07.192791
• Title: Robust Survival Analysis with Adversarial Regularization
• Title（参考訳）: 逆正則化によるロバスト生存解析
• Authors: Michael Potter, Stefano Maxenti, Michael Everett
• Abstract要約: サバイバル分析(Survival Analysis、SA)とは、関心事が起こるまでの時間をモデル化することである。 最近の研究は、SAの複雑な関係を捉えるためにニューラルネットワーク(NN)を使用することの利点を実証している。 これらのモデルをトレーニングするために使用されるデータセットは、しばしば不確実性にさらされることを示している。
• 参考スコア（独自算出の注目度）: 6.744865363435712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival Analysis (SA) is about modeling the time for an event of interest to occur, which has important applications in many fields, including medicine, defense, finance, and aerospace. Recent work has demonstrated the benefits of using Neural Networks (NNs) to capture complicated relationships in SA. However, the datasets used to train these models are often subject to uncertainty (e.g., noisy measurements, human error), which we show can substantially degrade the performance of existing techniques. To address this issue, this work leverages recent advances in NN verification to provide new algorithms for generating fully parametric survival models that are robust to such uncertainties. In particular, we introduce a robust loss function for training the models and use CROWN-IBP regularization to address the computational challenges with solving the resulting Min-Max problem. To evaluate the proposed approach, we apply relevant perturbations to publicly available datasets in the SurvSet repository and compare survival models against several baselines. We empirically show that Survival Analysis with Adversarial Regularization (SAWAR) method on average ranks best for dataset perturbations of varying magnitudes on metrics such as Negative Log Likelihood (NegLL), Integrated Brier Score (IBS), and Concordance Index (CI), concluding that adversarial regularization enhances performance in SA. Code: https://github.com/mlpotter/SAWAR
• Abstract（参考訳）: サバイバル分析(英: Survival Analysis、SA)とは、医学、防衛、金融、航空宇宙など多くの分野において重要な応用が期待されているイベントの時間モデリングである。 最近の研究は、SAの複雑な関係を捉えるためにニューラルネットワーク(NN)を使用することの利点を実証している。 しかし、これらのモデルのトレーニングに使用されるデータセットは、しばしば不確実性(例えば、ノイズの測定、ヒューマンエラー)の対象となり、既存の技術の性能を著しく低下させる可能性がある。 この問題に対処するために、この研究は最近のNN検証の進歩を活用し、そのような不確実性に対して堅牢な完全パラメトリックサバイバルモデルを生成するための新しいアルゴリズムを提供する。 特に,モデルの学習にロバストな損失関数を導入し,crown-ipp正規化を用いてmin-max問題の解法における計算上の課題に対処する。 提案手法を評価するため,SurvSetリポジトリ内の公開データセットに関連する摂動を適用し,生存モデルといくつかのベースラインを比較した。 平均値に対する逆正規化法(sawar)を用いた生存分析の結果,負対数推定法(negll),統合ブライアスコア法(ibs),一致指数法(ci)などの指標を用いたデータセットの摂動が,逆正規化法がsaの性能を高めることを結論づけた。 コード: https://github.com/mlpotter/sawar

関連論文リスト

• On the KL-Divergence-based Robust Satisficing Model [2.425685918104288]
  頑丈さを満足させる枠組みは 学界から注目を集めています 本稿では,解析的解釈,多様な性能保証,効率的で安定した数値法,収束解析,階層型データ構造に適した拡張について述べる。 我々は、最先端のベンチマークと比較して、モデルの性能が優れていることを実証する。
  論文  参考訳（メタデータ） (2024-08-17T10:05:05Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Autoencoder based approach for the mitigation of spurious correlations [2.7624021966289605]
  純粋な相関は、真の基盤となる関係を反映しないデータの誤関連を指す。 これらの相関により、ディープニューラルネットワーク(DNN)は、さまざまなデータセットや実世界のシナリオで堅牢でないパターンを学ぶことができる。 本稿では,GWHD(Global Wheat Head Detection)2021データセットに存在するスプリアス相関の性質を自動エンコーダで解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T05:28:44Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
  欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。 本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。 実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-01-04T13:21:11Z)
• Composite Survival Analysis: Learning with Auxiliary Aggregated Baselines and Survival Scores [0.0]
  Survival Analysis (SA) は時間対イベントモデリングのデフォルト手法である。 本研究は,SAモデルのトレーニングと推論を,(1)集団の全体行動を捉えた集合的ベースラインハザードに分解し,(2)個別に分布した生存スコア,(2)そのメンバーの慣用的確率的ダイナミクスを,完全にパラメトリックな設定でモデル化することで改善する方法を示す。
  論文  参考訳（メタデータ） (2023-12-10T11:13:22Z)
• Measuring and Mitigating Local Instability in Deep Neural Networks [23.342675028217762]
  モデルが同じデータ上で再トレーニングされた場合でも,トレーニングプロセスにおける原理性の結果,モデルがどう変化するかを検討する。 自然言語理解(NLU)タスクでは,クエリのかなりの部分の予測が不安定であることがわかった。 局所的な安定性を推定する新たなデータ中心手法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T00:34:15Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。