論文の概要: TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis
- arxiv url: http://arxiv.org/abs/2401.02708v1
- Date: Fri, 5 Jan 2024 08:37:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-08 15:43:20.135445
- Title: TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis
- Title（参考訳）: TripleSurv: 生存分析のためのトリプルト時間適応コーディネート損失
- Authors: Liwen Zhang, Lianzhen Zhong, Fan Yang, Di Dong, Hui Hui, Jie Tian
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.496918127515665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A core challenge in survival analysis is to model the distribution of
censored time-to-event data, where the event of interest may be a death,
failure, or occurrence of a specific event. Previous studies have showed that
ranking and maximum likelihood estimation (MLE)loss functions are widely-used
for survival analysis. However, ranking loss only focus on the ranking of
survival time and does not consider potential effect of samples for exact
survival time values. Furthermore, the MLE is unbounded and easily subject to
outliers (e.g., censored data), which may cause poor performance of modeling.
To handle the complexities of learning process and exploit valuable survival
time values, we propose a time-adaptive coordinate loss function, TripleSurv,
to achieve adaptive adjustments by introducing the differences in the survival
time between sample pairs into the ranking, which can encourage the model to
quantitatively rank relative risk of pairs, ultimately enhancing the accuracy
of predictions. Most importantly, the TripleSurv is proficient in quantifying
the relative risk between samples by ranking ordering of pairs, and consider
the time interval as a trade-off to calibrate the robustness of model over
sample distribution. Our TripleSurv is evaluated on three real-world survival
datasets and a public synthetic dataset. The results show that our method
outperforms the state-of-the-art methods and exhibits good model performance
and robustness on modeling various sophisticated data distributions with
different censor rates. Our code will be available upon acceptance.
- Abstract（参考訳）: 生存分析における中核的な課題は、興味のある事象が特定の事象の死亡、失敗、または発生である可能性のある検閲された時間対イベントデータの分布をモデル化することである。
これまでの研究では、生存分析のためにランク付けと最大推定(MLE)損失関数が広く用いられていることが示されている。
しかし、ランキングの損失は生存時間のランキングのみに焦点をあて、正確な生存時間の値に対するサンプルの潜在的な効果を考慮しない。
さらに、MLEは非有界で容易に外れ値(例えば、検閲データ)を被り、モデリングの性能が低下する可能性がある。
学習過程の複雑さを処理し、貴重な生存時間値を活用するために、サンプルペア間の生存時間の差をランキングに導入して適応調整を行い、ペアの相対的リスクを定量的にランク付けし、最終的に予測精度を向上させる時間適応型座標損失関数triplesurvを提案する。
最も重要なことに、triplesurvはペアの順序付けによってサンプル間の相対的なリスクを定量化し、その時間間隔をサンプル分布よりもモデルの頑健さを校正するためのトレードオフと考える。
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。
その結果,本手法は最先端手法よりも優れており,異なる検閲率で様々な洗練されたデータ分布をモデル化する上で,優れたモデル性能とロバスト性を示す。
私たちのコードは受け入れ次第利用可能です。
関連論文リスト
- Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。
優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
論文 参考訳（メタデータ） (2024-10-22T07:33:34Z) - 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) - Teaching Models To Survive: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
データが正しい検閲された場合、サバイバル分析は「イベントの時間」を計算することができる。
我々は,データの部分に対して最適化可能な,厳格に適切な検閲調整付き分離可能なスコアリングルールを導入する。
11の最先端モデルと比較して、このモデルであるMulti Incidenceは、生存率と競合するリスクの確率を推定するのに最適である。
論文 参考訳（メタデータ） (2024-06-20T08:00:42Z) - Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。
本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-24T02:16:00Z) - 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) - 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) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - 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。