論文の概要: Clustering Survival Data using a Mixture of Non-parametric Experts

• arxiv url: http://arxiv.org/abs/2405.15934v1
• Date: Fri, 24 May 2024 20:47:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 01:58:51.349696
• Title: Clustering Survival Data using a Mixture of Non-parametric Experts
• Title（参考訳）: 非パラメトリックエキスパートの混合による生存データのクラスタリング
• Authors: Gabriel Buginga, Edmundo de Souza e Silva,
• Abstract要約: 本研究では,クラスタリングと生存関数予測を統合した生存解析アルゴリズムであるSurvMixClustを紹介する。 5つの公開データセットで評価したところ、SurvMixClustは、異なる生存曲線を持つバランスの取れたクラスタを生成し、クラスタリングベースラインを上回り、予測精度で非クラスタリングサバイバルモデルと競合することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Survival analysis aims to predict the timing of future events across various fields, from medical outcomes to customer churn. However, the integration of clustering into survival analysis, particularly for precision medicine, remains underexplored. This study introduces SurvMixClust, a novel algorithm for survival analysis that integrates clustering with survival function prediction within a unified framework. SurvMixClust learns latent representations for clustering while also predicting individual survival functions using a mixture of non-parametric experts. Our evaluations on five public datasets show that SurvMixClust creates balanced clusters with distinct survival curves, outperforms clustering baselines, and competes with non-clustering survival models in predictive accuracy, as measured by the time-dependent c-index and log-rank metrics.
• Abstract（参考訳）: サバイバル分析は、医療結果から顧客の混乱に至るまで、様々な分野における将来の出来事のタイミングを予測することを目的としている。 しかし、クラスタリングのサバイバル分析への統合、特に精密医療については、未発見のままである。 本研究では,SurvMixClustを提案する。SurvMixClustは,クラスタリングとサバイバル関数予測を統合した,サバイバル解析のための新しいアルゴリズムである。 SurvMixClustはクラスタリングのための潜在表現を学習し、非パラメトリックの専門家の混合を用いて個々の生存関数を予測する。 5つの公開データセットで評価したところ,SurvMixClust は生存曲線の異なる平衡クラスタを生成し,クラスタリングベースラインを上回り,時間依存のc-index と log-rank の指標で測定されるように,クラスタリングサバイバルモデルと予測精度で競合することがわかった。

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)
• 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)
• 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)
• Heterogeneous Datasets for Federated Survival Analysis Simulation [6.489759672413373]
  本研究では、既存の非フェデレーションデータセットから再現可能な方法で開始することで、現実的な異種データセットを構築する新しい手法を提案する。 具体的には、ディリクレ分布に基づく2つの新しいデータセット分割アルゴリズムを提供し、各データサンプルを慎重に選択したクライアントに割り当てる。 提案手法の実装は,フェデレートされた環境をシミュレートしてサバイバル分析を行うことを推奨し,広く普及している。
  論文  参考訳（メタデータ） (2023-01-28T11:37:07Z)
• Deep Clustering Survival Machines with Interpretable Expert Distributions [14.938859205541014]
  本稿では,ディープクラスタリングサバイバルマシンと呼ばれるハイブリッドサバイバル解析手法を提案する。 個々のインスタンスに対する専門的分布の重み付けは,特徴を識別的に学習する。 この方法は、関連する専門家分布に従って、すべてのインスタンスの解釈可能なサブグループ化/クラスタ化を容易にする。
  論文  参考訳（メタデータ） (2023-01-27T16:27:18Z)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• 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。