論文の概要: Deep End-to-End Survival Analysis with Temporal Consistency

• arxiv url: http://arxiv.org/abs/2410.06786v1
• Date: Wed, 9 Oct 2024 11:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 03:40:32.179647
• Title: Deep End-to-End Survival Analysis with Temporal Consistency
• Title（参考訳）: 時間的整合性を用いた深部終末生存分析
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.77103348208835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we present a novel Survival Analysis algorithm designed to efficiently handle large-scale longitudinal data. Our approach draws inspiration from Reinforcement Learning principles, particularly the Deep Q-Network paradigm, extending Temporal Learning concepts to Survival Regression. A central idea in our method is temporal consistency, a hypothesis that past and future outcomes in the data evolve smoothly over time. Our framework uniquely incorporates temporal consistency into large datasets by providing a stable training signal that captures long-term temporal relationships and ensures reliable updates. Additionally, the method supports arbitrarily complex architectures, enabling the modeling of intricate temporal dependencies, and allows for end-to-end training. Through numerous experiments we provide empirical evidence demonstrating our framework's ability to exploit temporal consistency across datasets of varying sizes. Moreover, our algorithm outperforms benchmarks on datasets with long sequences, demonstrating its ability to capture long-term patterns. Finally, ablation studies show how our method enhances training stability.
• Abstract（参考訳）: 本研究では,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。 我々のアプローチは、強化学習の原則、特に深層Qネットワークのパラダイムからインスピレーションを得て、テンポラルラーニングの概念を持続的回帰へと拡張する。 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、長期の時間的関係を捕捉し、信頼性の高い更新を保証する安定したトレーニング信号を提供することにより、時間的一貫性を大きなデータセットに独自に組み込む。 さらに、この方法は任意に複雑なアーキテクチャをサポートし、複雑な時間依存のモデリングを可能にし、エンドツーエンドのトレーニングを可能にする。 多数の実験を通じて、さまざまなサイズのデータセット間で時間的一貫性を活用できるフレームワークの能力を示す実証的な証拠を提供する。 さらに、我々のアルゴリズムは、長いシーケンスを持つデータセットのベンチマークよりも優れており、長期パターンをキャプチャする能力を示している。 最後に、アブレーション研究は、我々の方法がトレーニングの安定性をいかに向上させるかを示す。

関連論文リスト

• SurvCF(t): Counterfactual Explanations for Survival Analysis in Predictive Maintenance Multivariate Time Series Data [5.77414732529171]
  textitSurvCF(t)は,時系列データ上で動作している生存モデルに対して,対実的な説明を生成するための最初のフレームワークである。 textitSurvCF(t)は、予測寿命を増加させる、資産の運用履歴に対する最小限、可塑性、時間的に一貫した変更を識別する。 以上の結果から, textitSurvCF(t) は生存予測と規範的メンテナンスのギャップを埋め, メンテナンス戦略における説明可能な, 決定指向のAIを実現する。
  論文  参考訳（メタデータ） (2026-07-18T21:06:46Z)
• Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting [6.603558172147427]
  STAIRは、複雑なアーキテクチャモジュールを導入することなく、単純な時間マッピングモデルのキャパシティを開放することを目的としている。 まず、共有時間マッピングを通じて変数間の共通時間ダイナミクスを学習し、その後、チャネルワイドな微調整により各変数に共有モデルを適用することで、変数固有のパターンをキャプチャし、最後に、残差学習を通じてクロス変数情報でバックボーンを補完する。
  論文  参考訳（メタデータ） (2026-05-13T15:36:46Z)
• Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
  基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。 空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。 LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-03-18T15:28:07Z)
• The Density of Cross-Persistence Diagrams and Its Applications [67.12329106585666]
  トポロジカルデータ分析(TDA)は、クラスタやループ、ヴォイドといったトポロジ的特徴を通じて、データの形状と構造を探索する強力なツールを提供する。 永続化ダイアグラムはTDAの基盤であり、スケールを越えたこれらの機能の進化を捉えています。 最近導入されたクロスパースペンス・ダイアグラム(クロスバーコード)は、2点雲の位相的特徴間の関係を特徴付けることでこの制限に対処する。
  論文  参考訳（メタデータ） (2026-03-12T07:33:15Z)
• Exploring Cumulative Effects in Survival Data Using Deep Learning Networks [0.0]
  我々は、時間依存データから動的リスク関係をキャプチャする、新しいディープラーニングアプローチであるCENNSurvを紹介する。 CENNSurvは、慢性的な環境曝露と致命的な生存率と、サブスクリプションの経過前に重要な短期的行動変化とを多年にわたって関連づけた。
  論文  参考訳（メタデータ） (2025-12-29T00:22:12Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• In-Context Linear Regression Demystified: Training Dynamics and Mechanistic Interpretability of Multi-Head Softmax Attention [52.159541540613915]
  本研究では,マルチヘッド型ソフトマックスアテンションモデルを用いて,線形データを用いたコンテキスト内学習を行う方法について検討する。 この結果から,学習内容の学習能力は,そのアーキテクチャと基礎となるデータ分布の集約的効果として,訓練されたトランスフォーマーから出現することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-17T02:00:49Z)
• Understanding the Limits of Deep Tabular Methods with Temporal Shift [28.738848567072004]
  本稿では,Fourier級数展開に基づく時間的組込み手法を提案し,時間的パターンを学習し,組み込む。 我々の実験は、この時間的埋め込みと改良されたトレーニングプロトコルを組み合わせることで、時間的データから学習するためのより効果的で堅牢なフレームワークが提供されることを示した。
  論文  参考訳（メタデータ） (2025-02-27T16:48:53Z)
• Gradient-based Explanations for Deep Learning Survival Models [0.716879432974126]
  本稿では,ニューラルネットワークの生存に適した勾配に基づく説明手法を提案する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析する。 本稿では,時間次元を取り入れた効果的な可視化手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T14:36:55Z)
• CORAL: Concept Drift Representation Learning for Co-evolving Time-series [6.4314326272535896]
  概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。 本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
  論文  参考訳（メタデータ） (2025-01-02T15:09:00Z)
• WEITS: A Wavelet-enhanced residual framework for interpretable time series forecasting [3.1551278097133895]
  WEITSは周波数対応のディープラーニングフレームワークであり、高度に解釈可能で計算効率が高い。 本稿では,周波数認識型深層学習フレームワークWEITSについて述べる。
  論文  参考訳（メタデータ） (2024-05-17T16:09:51Z)
• Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
  時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。 指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。 提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-05-09T02:11:01Z)
• CTP: Towards Vision-Language Continual Pretraining via Compatible Momentum Contrast and Topology Preservation [128.00940554196976]
  Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。 VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。 独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
  論文  参考訳（メタデータ） (2023-08-14T13:53:18Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Latent Properties of Lifelong Learning Systems [59.50307752165016]
  本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。 合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-07-28T20:58:13Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
  我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。 まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。 次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
  論文  参考訳（メタデータ） (2021-11-25T16:49:01Z)
• A Procedural World Generation Framework for Systematic Evaluation of Continual Learning [2.599882743586164]
  都会のシーンのフラグメントのみを描画するコンピュータグラフィックスシミュレーションフレームワークを提案する。 中心となるのは、適応可能な生成因子を持つモジュラーパラメトリック生成モデルである。
  論文  参考訳（メタデータ） (2021-06-04T16:31:43Z)
• Towards Handling Uncertainty-at-Source in AI -- A Review and Next Steps for Interval Regression [6.166295570030645]
  本稿では,近年の成長領域である区間値データの線形回帰に着目した。 我々は,最先端手法の詳細な分析を行い,特性の異なるデータセットに適用した場合の動作,利点,落とし穴を明らかにする。
  論文  参考訳（メタデータ） (2021-04-15T05:31:10Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。