論文の概要: FastSurvival: Hidden Computational Blessings in Training Cox Proportional Hazards Models

• arxiv url: http://arxiv.org/abs/2410.19081v1
• Date: Thu, 24 Oct 2024 18:36:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:37:53.101070
• Title: FastSurvival: Hidden Computational Blessings in Training Cox Proportional Hazards Models
• Title（参考訳）: FastSurvival: Cox Proportional Hazardsモデルトレーニングにおける計算的祝福の隠蔽
• Authors: Jiachang Liu, Rui Zhang, Cynthia Rudin,
• Abstract要約: コックス比例ハザード(CPH)モデルは、解釈可能性、柔軟性、予測性能に広く利用されている。 CPHモデルをトレーニングする現在のアルゴリズムには欠点があり、CPHモデルを最大限に活用できない。 CPHモデルの隠れ数学的構造を利用した代理関数の構築と最小化による新しい最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 24.041562124587262
• License:
• Abstract: Survival analysis is an important research topic with applications in healthcare, business, and manufacturing. One essential tool in this area is the Cox proportional hazards (CPH) model, which is widely used for its interpretability, flexibility, and predictive performance. However, for modern data science challenges such as high dimensionality (both $n$ and $p$) and high feature correlations, current algorithms to train the CPH model have drawbacks, preventing us from using the CPH model at its full potential. The root cause is that the current algorithms, based on the Newton method, have trouble converging due to vanishing second order derivatives when outside the local region of the minimizer. To circumvent this problem, we propose new optimization methods by constructing and minimizing surrogate functions that exploit hidden mathematical structures of the CPH model. Our new methods are easy to implement and ensure monotonic loss decrease and global convergence. Empirically, we verify the computational efficiency of our methods. As a direct application, we show how our optimization methods can be used to solve the cardinality-constrained CPH problem, producing very sparse high-quality models that were not previously practical to construct. We list several extensions that our breakthrough enables, including optimization opportunities, theoretical questions on CPH's mathematical structure, as well as other CPH-related applications.
• Abstract（参考訳）: 生存分析は、医療、ビジネス、製造業における応用に関する重要な研究トピックである。 この領域において重要なツールの1つは、Cox比例ハザード(CPH)モデルであり、その解釈可能性、柔軟性、予測性能に広く利用されている。 しかし、高次元性($n$と$p$の両方)や高機能相関のような現代のデータサイエンスの課題では、CPHモデルをトレーニングする現在のアルゴリズムには欠点があり、CPHモデルを最大限に活用できない。 根本原因は、ニュートン法に基づく現在のアルゴリズムは、最小化器の局所領域外における2階微分の消滅による収束に支障があることである。 この問題を回避するために,CPHモデルの隠れた数学的構造を利用する代理関数の構築と最小化により,新しい最適化手法を提案する。 我々の新しい手法は実装が容易であり、単調な損失の減少とグローバルな収束を保証する。 実験により,本手法の計算効率を検証した。 直接的応用として、我々の最適化手法が濃度制約付きCPH問題を解決するためにどのように利用できるかを示す。 我々は、最適化の機会、CPHの数学的構造に関する理論的問題、および他のCPH関連アプリケーションを含む、我々のブレークスルーが実現したいくつかの拡張をリストアップする。

関連論文リスト

• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Unconstrained Stochastic CCA: Unifying Multiview and Self-Supervised Learning [0.13654846342364307]
  PLS, CCA, Deep CCA の高速アルゴリズム群を標準 CCA と Deep CCA のベンチマークで示す。 我々のアルゴリズムは、従来の最先端ベンチマークよりもはるかに高速な収束と高い相関関係の回復を示す。 これらの改良により、非常に大きなバイオメディカルデータセットの第一種PSS分析を行うことができる。
  論文  参考訳（メタデータ） (2023-10-02T09:03:59Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• A Statistical Learning Take on the Concordance Index for Survival Analysis [0.29005223064604074]
  C-index Fisher-Consistencyの結果と、生存分析においてよく使われるコスト関数に対する過剰なリスク境界を提供する。 また、モデル仮定が作成されず、C-インデックスと整合性を示す新しいオフ・ザ・シェルフ法を提示する一般事例についても検討する。
  論文  参考訳（メタデータ） (2023-02-23T14:33:54Z)
• NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning [8.20217860574125]
  我々はNODAGS-Flowと呼ばれる介入データから非線形循環因果モデルを学習するための新しいフレームワークを提案する。 構造回復と予測性能に対する最先端手法と比較して,本手法による大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-01-04T23:28:18Z)
• FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
  我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。 また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:35:29Z)
• COCO Denoiser: Using Co-Coercivity for Variance Reduction in Stochastic Convex Optimization [4.970364068620608]
  我々は,勾配オラクルによって出力される雑音の推定値を改善するために,凸性およびL平滑性を利用する。 問合せ点の数と近さの増加は、より良い勾配推定に繋がることを示す。 また、SGD、Adam、STRSAGAといった既存のアルゴリズムにCOCOをプラグインすることで、バニラ設定にもCOCOを適用します。
  論文  参考訳（メタデータ） (2021-09-07T17:21:09Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
  変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。 私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。 我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
  論文  参考訳（メタデータ） (2020-12-24T03:56:44Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。