論文の概要: FPBoost: Fully Parametric Gradient Boosting for Survival Analysis

• arxiv url: http://arxiv.org/abs/2409.13363v1
• Date: Fri, 20 Sep 2024 09:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 07:28:56.493667
• Title: FPBoost: Fully Parametric Gradient Boosting for Survival Analysis
• Title（参考訳）: FPBoost: 生存分析のための完全なパラメトリックグラディエントブースティング
• Authors: Alberto Archetti, Eugenio Lomurno, Diego Piccinotti, Matteo Matteucci,
• Abstract要約: 本稿では,個別のパラメトリックハザード・コントリビューションの重み付け和に基づくサバイバルモデル設計のための新しいパラダイムを提案する。 提案手法はFPBoostと呼ばれ, 勾配上昇による生存確率を直接最適化する最初のアルゴリズムである。
• 参考スコア（独自算出の注目度）: 4.09225917049674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is a critical tool for analyzing time-to-event data and extracting valuable clinical insights. Recently, numerous machine learning techniques leveraging neural networks and decision trees have been developed for this task. Among these, the most successful approaches often rely on specific assumptions about the shape of the modeled hazard function. These assumptions include proportional hazard, accelerated failure time, or discrete estimation at a predefined set of time points. In this study, we propose a novel paradigm for survival model design based on the weighted sum of individual fully parametric hazard contributions. We build upon well-known ensemble techniques to deliver a novel contribution to the field by applying additive hazard functions, improving over approaches based on survival or cumulative hazard functions. Furthermore, the proposed model, which we call FPBoost, is the first algorithm to directly optimize the survival likelihood via gradient boosting. We evaluated our approach across a diverse set of datasets, comparing it against a variety of state-of-the-art models. The results demonstrate that FPBoost improves risk estimation, according to both concordance and calibration metrics.
• Abstract（参考訳）: 生存分析は、時間から時間までのデータを分析し、貴重な臨床的洞察を抽出するための重要なツールである。 近年,ニューラルネットワークと決定木を利用した機械学習技術が数多く開発されている。 これらのうち、最も成功したアプローチは、しばしばモデル化されたハザード関数の形状に関する特定の仮定に依存する。 これらの仮定には、比例的ハザード、加速された障害時間、予め定義された時間点の集合での離散推定が含まれる。 本研究では,個別のパラメトリック・ハザード・コントリビューションの重み付け和に基づくサバイバルモデル設計のための新しいパラダイムを提案する。 我々は,付加的ハザード関数を適用し,生存率や累積ハザード関数に基づくアプローチを改善することにより,フィールドに新たなコントリビューションをもたらすために,よく知られたアンサンブル技術を構築した。 さらに、我々はFPBoostと呼ぶモデルを提案し、勾配押し上げによる生存率を直接最適化する最初のアルゴリズムである。 我々は、さまざまなデータセットをまたいだアプローチを評価し、さまざまな最先端モデルと比較した。 その結果、FPBoostは、基準値と校正値の両方でリスク推定を改善することが示された。

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)
• 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)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Online Learning Approach for Survival Analysis [1.0499611180329806]
  生存分析のためのオンライン数学フレームワークを導入し、動的環境や検閲データへのリアルタイム適応を可能にする。 このフレームワークは、最適2階オンライン凸最適化アルゴリズムによるイベント時間分布の推定を可能にする-オンラインニュートンステップ(ONS)
  論文  参考訳（メタデータ） (2024-02-07T08:15:30Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• An Integrative Paradigm for Enhanced Stroke Prediction: Synergizing XGBoost and xDeepFM Algorithms [1.064427783926208]
  本稿では,XGBoostとxDeepFMアルゴリズムのパワーを組み合わせたアンサンブルモデルを提案する。 本研究の目的は,既存のストローク予測モデルの改良であり,精度とロバスト性の向上である。
  論文  参考訳（メタデータ） (2023-10-25T07:55:02Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Regression Trees for Cumulative Incidence Functions [3.0798859462300756]
  累積入射曲線を推定するための回帰木構築のための新しい手法を開発した。 提案手法はR統計ソフトウェアを用いて容易に実装できる。
  論文  参考訳（メタデータ） (2020-11-13T00:37:12Z)
• Uncertainty in Gradient Boosting via Ensembles [37.808845398471874]
  勾配促進モデルのアンサンブルは、予測された総不確実性を改善する能力に制限があるにもかかわらず、異常な入力を検出することに成功した。 本稿では,1つの勾配押し上げモデルのみでアンサンブルの利点を得るための仮想アンサンブルの概念を提案する。
  論文  参考訳（メタデータ） (2020-06-18T14:11:27Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。