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

• arxiv url: http://arxiv.org/abs/2409.13363v2
• Date: Fri, 31 Jan 2025 09:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 13:59:44.345541
• 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: FPBoostは、完全にパラメトリックなハザード関数の重み付け和と勾配上昇を組み合わせたサバイバルモデルである。 FPBoostはいかにしてハザード関数の普遍的な近似器であり、完全なイベント時モデリングの柔軟性を提供するかを示す。
• 参考スコア（独自算出の注目度）: 4.09225917049674
• License:
• Abstract: Survival analysis is a statistical framework for modeling time-to-event data. It plays a pivotal role in medicine, reliability engineering, and social science research, where understanding event dynamics even with few data samples is critical. Recent advancements in machine learning, particularly those employing neural networks and decision trees, have introduced sophisticated algorithms for survival modeling. However, many of these methods rely on restrictive assumptions about the underlying event-time distribution, such as proportional hazard, time discretization, or accelerated failure time. In this study, we propose FPBoost, a survival model that combines a weighted sum of fully parametric hazard functions with gradient boosting. Distribution parameters are estimated with decision trees trained by maximizing the full survival likelihood. We show how FPBoost is a universal approximator of hazard functions, offering full event-time modeling flexibility while maintaining interpretability through the use of well-established parametric distributions. We evaluate concordance and calibration of FPBoost across multiple benchmark datasets, showcasing its robustness and versatility as a new tool for survival estimation.
• Abstract（参考訳）: 生存分析(Survival analysis)は、時系列データのモデリングのための統計フレームワークである。 医療、信頼性工学、社会科学研究において重要な役割を担い、データサンプルが少ない場合でもイベントダイナミクスを理解することが重要である。 機械学習の最近の進歩、特にニューラルネットワークと決定木を利用するものは、生き残りモデリングのための洗練されたアルゴリズムを導入している。 しかしながら、これらの手法の多くは、比例的ハザード、時間離散化、あるいは失敗時間の加速といった、基礎となる事象時間分布に関する制限的な仮定に依存している。 本研究では,全パラメトリックハザード関数の重み付け和と勾配促進を組み合わせた生存モデルFPBoostを提案する。 分布パラメータは、生存可能性の最大化によって訓練された決定木から推定される。 本稿では、FPBoostがハザード関数の普遍的近似器であり、よく確立されたパラメトリック分布を用いて、解釈可能性を維持しつつ、完全なイベント時間モデリングの柔軟性を提供することを示す。 複数のベンチマークデータセット間でのFPBoostの一致と校正を評価し,その堅牢性と汎用性を生存推定の新しいツールとして示す。

関連論文リスト

• 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)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Composite Survival Analysis: Learning with Auxiliary Aggregated Baselines and Survival Scores [0.0]
  Survival Analysis (SA) は時間対イベントモデリングのデフォルト手法である。 本研究は,SAモデルのトレーニングと推論を,(1)集団の全体行動を捉えた集合的ベースラインハザードに分解し,(2)個別に分布した生存スコア,(2)そのメンバーの慣用的確率的ダイナミクスを,完全にパラメトリックな設定でモデル化することで改善する方法を示す。
  論文  参考訳（メタデータ） (2023-12-10T11:13:22Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via Rank Regression [17.684526928033065]
  我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。 このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。 提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
  論文  参考訳（メタデータ） (2023-07-16T13:58:28Z)
• 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)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• A Free Lunch with Influence Functions? Improving Neural Network Estimates with Concepts from Semiparametric Statistics [41.99023989695363]
  ニューラルネットワークや機械学習アルゴリズムの改善に使用される半パラメトリック理論の可能性を探る。 本稿では,単一アーキテクチャを用いてアンサンブルの柔軟性と多様性を求めるニューラルネットワーク手法であるMultiNetを提案する。
  論文  参考訳（メタデータ） (2022-02-18T09:35:51Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)

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。