論文の概要: An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes
- arxiv url: http://arxiv.org/abs/2410.01086v1
- Date: Tue, 1 Oct 2024 21:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 23:20:41.435886
- Title: An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes
- Title（参考訳）: 時間とイベントのアウトカム予測のための深層生存分析モデル入門
- Authors: George H. Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.257719744958367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many applications involve reasoning about time durations before a critical event happens--also called time-to-event outcomes. When will a customer cancel a subscription, a coma patient wake up, or a convicted criminal reoffend? Time-to-event outcomes have been studied extensively within the field of survival analysis primarily by the statistical, medical, and reliability engineering communities, with textbooks already available in the 1970s and '80s. This monograph aims to provide a reasonably self-contained modern introduction to survival analysis. We focus on predicting time-to-event outcomes at the individual data point level with the help of neural networks. Our goal is to provide the reader with a working understanding of precisely what the basic time-to-event prediction problem is, how it differs from standard regression and classification, and how key "design patterns" have been used time after time to derive new time-to-event prediction models, from classical methods like the Cox proportional hazards model to modern deep learning approaches such as deep kernel Kaplan-Meier estimators and neural ordinary differential equation models. We further delve into two extensions of the basic time-to-event prediction setup: predicting which of several critical events will happen first along with the time until this earliest event happens (the competing risks setting), and predicting time-to-event outcomes given a time series that grows in length over time (the dynamic setting). We conclude with a discussion of a variety of topics such as fairness, causal reasoning, interpretability, and statistical guarantees. Our monograph comes with an accompanying code repository that implements every model and evaluation metric that we cover in detail.
- Abstract（参考訳）: 多くのアプリケーションは、重要なイベントが起こる前に、時間の長さを推論する。
顧客はいつ、サブスクリプションをキャンセルするか、コマ患者が目を覚ますか、あるいは有罪判決を受けた犯罪者が解雇されるか?
生存分析の分野では、主に統計、医学、信頼性工学のコミュニティによって、1970年代から80年代にかけての教科書が広く研究されてきた。
このモノグラフは、生存分析への合理的に自己完結した現代的導入を提供することを目的としている。
我々は、ニューラルネットワークの助けを借りて、個々のデータポイントレベルで、時間と結果の予測に重点を置いている。
我々のゴールは、Cox比例ハザードモデルのような古典的手法から、深層カーネルのKaplan-Meier推定器やニューラル常微分方程式モデルのような現代のディープラーニングアプローチに至るまで、標準回帰と分類とがどのように異なるのか、そしてどのようにして、どのようにして「デザインパターン」が新しい時間とイベントの予測モデルを引き出すために時間とイベントの予測モデルに使われてきたのかを正確に理解することである。
さらに、この最初期のイベント(競合するリスク設定)が発生するまでの時間とともに、いくつかの重要なイベントのどれが最初に起こるかを予測し、時間とともに成長する時系列(動的設定)を与えられた時間とイベントの結果を予測するという、基本的な時間とイベントの予測設定の2つの拡張について調べる。
本稿では,公平性,因果推論,解釈可能性,統計的保証など,さまざまなトピックについて論じる。
当社のモノグラフには,詳細なモデルと評価基準をすべて実装した,付随するコードリポジトリが付属しています。
関連論文リスト
- Non-Autoregressive Diffusion-based Temporal Point Processes for
Continuous-Time Long-Term Event Prediction [8.88485011274486]
本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。
事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。
連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
論文 参考訳（メタデータ） (2023-11-02T06:52:44Z) - Improving Event Time Prediction by Learning to Partition the Event Time
Space [13.5391816206237]
最近開発された生存分析法は, 未特定時間間隔のそれぞれの事象発生確率を予測し, 既存手法を改良した。
限られた利用可能なデータを持つ臨床環境では、手前の予測タスクに適した限られた間隔にイベント時間空間を散発的に分割することが好ましい。
2つのシミュレーションデータセットにおいて、基礎となる生成モデルと一致する間隔を復元できることが示される。
次に,新たに調和した脳卒中リスク予測データセットを含む実世界の3つの観測データに対して,予測性能の向上を示す。
論文 参考訳（メタデータ） (2023-10-24T14:11:40Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - 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) - Self-Interpretable Time Series Prediction with Counterfactual
Explanations [4.658166900129066]
解釈可能な時系列予測は、医療や自動運転といった安全上重要な分野において重要である。
既存の手法の多くは、重要なスコアを時系列のセグメントに割り当てることで予測を解釈することに集中している。
我々は,時系列予測のための非現実的かつ実用的な説明を生成する,CounTS(Counfactual Time Series)と呼ばれる自己解釈可能なモデルを開発した。
論文 参考訳（メタデータ） (2023-06-09T16:42:52Z) - An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。
我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
論文 参考訳（メタデータ） (2023-06-01T15:08:22Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳（メタデータ） (2020-11-05T01:52:11Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - 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)
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。