論文の概要: Toward a Well-Calibrated Discrimination via Survival Outcome-Aware Contrastive Learning

• arxiv url: http://arxiv.org/abs/2410.11340v1
• Date: Tue, 15 Oct 2024 07:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:01:37.399551
• Title: Toward a Well-Calibrated Discrimination via Survival Outcome-Aware Contrastive Learning
• Title（参考訳）: サバイバル・アウトカム・アウェア・コントラスト・ラーニングによる良質な識別に向けて
• Authors: Dongjoon Lee, Hyeryn Park, Changhee Lee,
• Abstract要約: そこで本研究では,犠牲な校正を伴わずに識別のテキスト化を向上するための,新しいコントラスト学習手法を提案する。 提案手法は,類似した生存結果を持つサンプルに対して,低い罰則を付与する,対照的な学習枠組み内で重み付きサンプリングを用いる。 複数の実世界の臨床データセットに対する実験により,本手法は判別と校正の両面で最先端の深層生存モデルより優れていることが示された。
• 参考スコア（独自算出の注目度）: 6.963971634605796
• License:
• Abstract: Previous deep learning approaches for survival analysis have primarily relied on ranking losses to improve discrimination performance, which often comes at the expense of calibration performance. To address such an issue, we propose a novel contrastive learning approach specifically designed to enhance discrimination \textit{without} sacrificing calibration. Our method employs weighted sampling within a contrastive learning framework, assigning lower penalties to samples with similar survival outcomes. This aligns well with the assumption that patients with similar event times share similar clinical statuses. Consequently, when augmented with the commonly used negative log-likelihood loss, our approach significantly improves discrimination performance without directly manipulating the model outputs, thereby achieving better calibration. Experiments on multiple real-world clinical datasets demonstrate that our method outperforms state-of-the-art deep survival models in both discrimination and calibration. Through comprehensive ablation studies, we further validate the effectiveness of our approach through quantitative and qualitative analyses.
• Abstract（参考訳）: これまでのディープラーニングによるサバイバル分析のアプローチは、主に評価性能を向上させるためにランキングの損失に依存しており、校正性能を犠牲にしていることが多い。 このような問題に対処するために、我々は、識別を補助するキャリブレーションを強化するために特別に設計された、新しいコントラスト学習手法を提案する。 提案手法は,類似した生存結果を持つサンプルに対して,低い罰則を付与する,対照的な学習枠組み内で重み付きサンプリングを用いる。 これは、同様のイベント時間を持つ患者が同様の臨床状態を共有するという仮定とよく一致している。 その結果、一般的に使われている負の対数損失を加味すると、モデル出力を直接操作することなく識別性能が大幅に向上し、キャリブレーションの精度が向上する。 複数の実世界の臨床データセットに対する実験により,本手法は判別と校正の両面で最先端の深層生存モデルより優れていることが示された。 包括的アブレーション研究を通じて、定量的および定性的な分析により、我々のアプローチの有効性をさらに検証する。

関連論文リスト

• A Large-Scale Neutral Comparison Study of Survival Models on Low-Dimensional Data [7.199059106376138]
  この研究は、単一イベント、右検閲、低次元生存データに焦点を当てた最初の大規模な中性ベンチマーク実験を示す。 我々は、32の公開データセット上で、古典的な統計的アプローチから多くの一般的な機械学習手法まで、18のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2024-06-06T14:13:38Z)
• Conformalized Survival Distributions: A Generic Post-Process to Increase Calibration [6.868842871753991]
  判別と校正は生存分析の2つの重要な特性を表す。 異なる性質を持つため、生存モデルの両方を同時に最適化することは困難である。 本稿では, モデルキャリブレーションを劣化させることなく, モデルキャリブレーションを改善するためのコンフォメーションレグレッションを利用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T20:27:34Z)
• Deep Learning-Based Discrete Calibrated Survival Prediction [0.0]
  本稿では,識別・校正型生存予測のための新しいディープニューラルネットワークである離散校正サバイバル(DCS)を提案する。 DCSの高機能化は、可変時間出力ノード間隔と新しい損失項という2つの新しい特徴に起因している。 我々は、DCSが、最先端の差別と良好な校正によるディープラーニングに基づく生存予測の臨床的応用に向けた重要なステップであると考えている。
  論文  参考訳（メタデータ） (2022-08-17T09:40:07Z)
• Practical Insights of Repairing Model Problems on Image Classification [3.2932371462787513]
  ディープラーニングモデルの追加トレーニングは、結果にネガティブな影響をもたらし、初期正のサンプルを負のサンプルに変える(劣化)。 本稿では, 劣化低減手法の比較から得られた影響について述べる。 その結果、実践者は、AIシステムのデータセットの可用性とライフサイクルを継続的に考慮し、より良い方法に気を配るべきであることが示唆された。
  論文  参考訳（メタデータ） (2022-05-14T19:28:55Z)
• Stabilizing Adversarially Learned One-Class Novelty Detection Using Pseudo Anomalies [22.48845887819345]
  異常スコアは、逆学習されたジェネレータの再構成損失と/または識別器の分類損失を用いて定式化されている。 トレーニングデータにおける異常な例の有効性は、そのようなネットワークの最適化を困難にしている。 本研究では,判別器の基本的役割を,実データと偽データとの識別から,良質データと悪質データとの区別に転換することで,そのような不安定性を克服する堅牢な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-25T15:37:52Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)

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。