論文の概要: OPSurv: Orthogonal Polynomials Quadrature Algorithm for Survival Analysis

• arxiv url: http://arxiv.org/abs/2402.01955v1
• Date: Fri, 2 Feb 2024 23:26:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 23:14:40.376001
• Title: OPSurv: Orthogonal Polynomials Quadrature Algorithm for Survival Analysis
• Title（参考訳）: OPSurv: 生存分析のための直交多項式四分法アルゴリズム
• Authors: Lilian W. Bialokozowicz and Hoang M. Le and Tristan Sylvain, Peter A. I. Forsyth, Vineel Nagisetty, Greg Mori
• Abstract要約: 本稿では、生存分析のための直交多項式四分法アルゴリズム(OPSurv)を紹介する。 OPSurvは、生存分析における単一のリスクシナリオと競合するリスクシナリオの両方に対して、時間連続的な機能出力を提供する。
• 参考スコア（独自算出の注目度）: 19.65859820376036
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces the Orthogonal Polynomials Quadrature Algorithm for Survival Analysis (OPSurv), a new method providing time-continuous functional outputs for both single and competing risks scenarios in survival analysis. OPSurv utilizes the initial zero condition of the Cumulative Incidence function and a unique decomposition of probability densities using orthogonal polynomials, allowing it to learn functional approximation coefficients for each risk event and construct Cumulative Incidence Function estimates via Gauss--Legendre quadrature. This approach effectively counters overfitting, particularly in competing risks scenarios, enhancing model expressiveness and control. The paper further details empirical validations and theoretical justifications of OPSurv, highlighting its robust performance as an advancement in survival analysis with competing risks.
• Abstract（参考訳）: 本稿では、生存分析における単一リスクと競合リスクの両方に対して、時間連続関数出力を提供する新しい手法であるOrthogonal Polynomials Quadrature Algorithm for Survival Analysis (OPSurv)を紹介する。 opsurvは累積帰納関数の初期ゼロ条件と直交多項式を用いた確率密度の独特な分解を利用して、リスクイベントごとに関数近似係数を学習し、ガウス・レジェンドル二次数を通じて累積帰納関数推定を構築する。 このアプローチは、特に競合するリスクシナリオにおける過度な適合を効果的に防止し、モデル表現性とコントロールを強化する。 論文はさらに、opsurvの実証的検証と理論的正当化を詳述し、競合リスクを伴う生存分析の進歩として、その堅牢な性能を強調した。

関連論文リスト

• On the Efficiency of ERM in Feature Learning [31.277788690403522]
  特徴写像によって誘導される線形クラスの和和に対する2乗損失を伴う回帰問題に対する経験的リスク最小化の性能について検討する。 集合 $mathcalT$ が大きすぎることと、一意の最適特徴写像が存在するとき、これらの量子は、オラクル手順の過剰なリスクと最大2倍に一致することを示す。 一般仮定下での疎線形回帰における最良部分集合選択法の性能に関する新たな保証を得る。
  論文  参考訳（メタデータ） (2024-11-18T20:05:05Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• 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)
• Multivariate Systemic Risk Measures and Computation by Deep Learning Algorithms [63.03966552670014]
  本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。 私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
  論文  参考訳（メタデータ） (2023-02-02T22:16:49Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• A Unifying Theory of Thompson Sampling for Continuous Risk-Averse Bandits [91.3755431537592]
  本稿では,多腕バンディット問題に対するリスク-逆トンプソンサンプリングアルゴリズムの解析を統一する。 大規模偏差理論における収縮原理を用いることで、連続リスク汎関数に対する新しい濃度境界が証明される。 リスク関数の幅広いクラスと「ニセ」関数が連続性条件を満たすことを示す。
  論文  参考訳（メタデータ） (2021-08-25T17:09:01Z)
• A Full Characterization of Excess Risk via Empirical Risk Landscape [8.797852602680445]
  本稿では,滑らかな凸関数と非損失関数の両方を持つ固有アルゴリズムにより訓練されたモデルのリスクを統一的に解析する。
  論文  参考訳（メタデータ） (2020-12-04T08:24:50Z)
• A Stochastic Subgradient Method for Distributionally Robust Non-Convex Learning [2.007262412327553]
  堅牢性は、基礎となるデータ分布の不確実性に関するものです。 本手法は摂動条件を満たすことに収束することを示す。 また、実際のデータセット上でのアルゴリズムの性能についても解説する。
  論文  参考訳（メタデータ） (2020-06-08T18:52:40Z)
• A robust algorithm for explaining unreliable machine learning survival models using the Kolmogorov-Smirnov bounds [5.482532589225552]
  SurvLIME-KSは機械学習サバイバルモデルを説明するために提案されている。 少量のトレーニングデータや生存率データのアウトレーヤのケースに対して堅牢性を確保するために開発された。 合成および実データを用いた様々な数値実験により、SurvLIME-KS効率が示されている。
  論文  参考訳（メタデータ） (2020-05-05T14:47:35Z)
• 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。