論文の概要: MENSA: A Multi-Event Network for Survival Analysis with Trajectory-based Likelihood Estimation

• arxiv url: http://arxiv.org/abs/2409.06525v3
• Date: Wed, 18 Jun 2025 08:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 16:34:05.197051
• Title: MENSA: A Multi-Event Network for Survival Analysis with Trajectory-based Likelihood Estimation
• Title（参考訳）: MENSA: 軌道に基づく類似度推定を用いた生存分析のためのマルチイベントネットワーク
• Authors: Christian Marius Lillelund, Ali Hossein Gharari Foomani, Weijie Sun, Shi-ang Qi, Russell Greiner,
• Abstract要約: マルチイベントサバイバル分析のための新しいディープラーニングモデルであるMENSAを紹介する。 MeNSAは、イベント間の複雑な依存構造をキャプチャしながら、入力機能の共有表現を学ぶ。 実世界の臨床データセットの実験では、MENSAはリスクと時間対イベント予測を改善している。
• 参考スコア（独自算出の注目度）: 4.0913802846346625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce MENSA, a novel deep learning model for multi-event survival analysis, which predicts the time until an instance experiences multiple distinct events based on its features. MENSA learns a shared representation of the input features while capturing the complex dependence structures between events. In practice, it optimizes the sum of the traditional negative log-likelihood across events and a novel trajectory-based likelihood, which encourages the model to learn the temporal order in which events occur. Experiments on real-world clinical datasets demonstrate that MENSA improves risk and time-to-event prediction compared to state-of-the-art models across single-event, competing-risk, and multi-event settings. Moreover, MENSA achieves this with fewer parameters and lower computational cost (FLOPs) than several deep learning baselines, particularly in high-dimensional feature spaces (more than 100 features).
• Abstract（参考訳）: 我々は,マルチイベントサバイバル分析のための新しいディープラーニングモデルであるMENSAを紹介し,その特徴に基づいて,インスタンスが複数の異なるイベントを経験するまでの時間を予測する。 MENSAは、イベント間の複雑な依存構造をキャプチャしながら、入力機能の共有表現を学習する。 実際には、イベント間での従来の負の対数類似性の和と、新しい軌道に基づく可能性の和を最適化し、イベントが発生する時間順序をモデルが学習することを奨励する。 実際の臨床データセットの実験では、MENSAは単一イベント、競合リスク、マルチイベント設定にわたる最先端モデルと比較して、リスクと時間とイベント予測を改善している。 さらに、MENSAは、特に高次元の特徴空間(100以上の特徴)において、いくつかのディープラーニングベースラインよりも少ないパラメータと低い計算コスト(FLOP)でこれを達成している。

関連論文リスト

• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• Event Detection in Time Series: Universal Deep Learning Approach [0.0]
  時系列におけるイベント検出は、不均衡なデータセット、まれなイベント、時間間隔定義イベントの頻度のため、困難なタスクである。 本稿では,教師付き回帰に基づく深層学習手法を提案する。 当社のアプローチは、まれなイベントや不均衡なデータセットを含む、統合されたフレームワーク内で、さまざまな種類のイベントを効果的に処理できる。
  論文  参考訳（メタデータ） (2023-11-27T09:33:56Z)
• Deep Representation Learning for Prediction of Temporal Event Sets in the Continuous Time Domain [9.71405768795797]
  時間的ポイントプロセスは、イベントの予測や予測において重要な役割を果たす。 この問題を解決するために,TPPをベースとしたスケーラブルで効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:46:31Z)
• 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)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• 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)
• Towards Dynamic Causal Discovery with Rare Events: A Nonparametric Conditional Independence Test [4.67306371596399]
  我々は,稀だが連続的な事象が発生した時変システムから収集したデータに対して,新しい統計的独立性テストを導入する。 提案手法の整合性に対する非漸近的サンプルバウンダリを提供し,その性能をシミュレーションおよび実世界のデータセットで検証する。
  論文  参考訳（メタデータ） (2022-11-29T21:15:51Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Variational Neural Temporal Point Process [22.396329275957996]
  時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。 推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。 我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-17T13:34:30Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• DeepCENT: Prediction of Censored Event Time via Deep Learning [1.0152838128195467]
  本稿では,イベントへの個々の時間を直接予測する新しい手法であるDeepCENTを提案する。 DeepCENTは競合するリスクを扱うことができ、あるタイプのイベントが他のタイプのイベントを観察することを妨げる。
  論文  参考訳（メタデータ） (2022-02-08T00:42:56Z)
• A new harmonium for pattern recognition in survival data [0.0]
  方法:エネルギーに基づくアプローチは、潜在状態と可視状態の間に二部構造を持ち、一般にハーモニウムと呼ばれる。 我々は、余分な時間-時間変数を活用することにより、差別的予測が改善されることを実証する。
  論文  参考訳（メタデータ） (2021-10-05T11:42:36Z)
• SurvTRACE: Transformers for Survival Analysis with Competing Events [37.66291997350568]
  医学において、生存分析は死亡などの興味のある事象の期間を研究する。 最大の課題は、複数の競合するイベントを扱う方法だ。 本稿では,基礎となる生存分布を仮定しない変圧器モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-02T17:46:26Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。