論文の概要: DNAMite: Interpretable Calibrated Survival Analysis with Discretized Additive Models

• arxiv url: http://arxiv.org/abs/2411.05923v1
• Date: Fri, 08 Nov 2024 19:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:08.275979
• Title: DNAMite: Interpretable Calibrated Survival Analysis with Discretized Additive Models
• Title（参考訳）: DNAMite:離散化付加モデルによるキャリブレーションサバイバル解析
• Authors: Mike Van Ness, Billy Block, Madeleine Udell,
• Abstract要約: 我々はDNAMiteと呼ばれる生存分析のための新しいガラス箱機械学習モデルを提案する。 DNAMiteは、その埋め込みモジュールに特徴の離散化とカーネルの平滑化を使用し、滑らかさとジャグネスの柔軟なバランスで形状関数を学習することができる。 実験により,DNAMiteは合成データ上の真の形状関数に近い形状関数を生成するとともに,予測性能とキャリブレーションの精度を比較検討した。
• 参考スコア（独自算出の注目度）: 16.89445863709024
• License:
• Abstract: Survival analysis is a classic problem in statistics with important applications in healthcare. Most machine learning models for survival analysis are black-box models, limiting their use in healthcare settings where interpretability is paramount. More recently, glass-box machine learning models have been introduced for survival analysis, with both strong predictive performance and interpretability. Still, several gaps remain, as no prior glass-box survival model can produce calibrated shape functions with enough flexibility to capture the complex patterns often found in real data. To fill this gap, we introduce a new glass-box machine learning model for survival analysis called DNAMite. DNAMite uses feature discretization and kernel smoothing in its embedding module, making it possible to learn shape functions with a flexible balance of smoothness and jaggedness. Further, DNAMite produces calibrated shape functions that can be directly interpreted as contributions to the cumulative incidence function. Our experiments show that DNAMite generates shape functions closer to true shape functions on synthetic data, while making predictions with comparable predictive performance and better calibration than previous glass-box and black-box models.
• Abstract（参考訳）: 生存分析は、医療において重要な応用を持つ統計学における古典的な問題である。 生存分析のためのほとんどの機械学習モデルはブラックボックスモデルであり、解釈可能性が最重要である医療環境での使用を制限する。 最近では、ガラス箱型機械学習モデルが、強力な予測性能と解釈可能性を備えた生存分析のために導入されている。 ガラス箱サバイバルモデルでは、実際のデータによく見られる複雑なパターンを捉えるのに十分な柔軟性を持つキャリブレーションされた形状関数を生成できないため、いくつかのギャップが残っている。 このギャップを埋めるために、DNAMiteと呼ばれる生存分析のための新しいガラス箱機械学習モデルを導入する。 DNAMiteは、その埋め込みモジュールに特徴の離散化とカーネルの平滑化を使用し、滑らかさとジャグネスの柔軟なバランスで形状関数を学習することができる。 さらにDNAMiteは、累積入射関数への寄与として直接解釈できるキャリブレーションされた形状関数を生成する。 実験の結果,DNAMiteは合成データ上での真の形状関数に近い形状関数を生成する一方で,従来のガラス箱モデルやブラックボックスモデルよりも予測性能とキャリブレーションが優れていた。

関連論文リスト

• Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
  我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
  論文  参考訳（メタデータ） (2024-04-23T02:36:54Z)
• Calibration and generalizability of probabilistic models on low-data chemical datasets with DIONYSUS [0.0]
  我々は、小さな化学データセット上での確率論的機械学習モデルの校正と一般化可能性について広範な研究を行う。 私たちは、さまざまなタスク(バイナリ、回帰)とデータセットにおける予測と不確実性の品質を分析します。 我々は、新しい化学実験において一般的なシナリオである、小さな化学データセットをモデル化するためのモデルと特徴の選択に関する実践的な洞察を提供する。
  論文  参考訳（メタデータ） (2022-12-03T08:19:06Z)
• COmic: Convolutional Kernel Networks for Interpretable End-to-End Learning on (Multi-)Omics Data [1.933681537640272]
  我々は、Convolutional Omics Kernel Network(COmic)という、新しいタイプの人工知能ニューラルネットワークを提案する。 畳み込み型カーネルネットワークと経路誘導型カーネルを組み合わせることで,オミクスデータセット上での堅牢かつ解釈可能なエンドツーエンド学習を実現する。 経路誘起ラプラシア核の使用がニューラルネットワークのブラックボックスの性質をいかに開放するかを示す。
  論文  参考訳（メタデータ） (2022-12-02T12:54:27Z)
• Constructing Effective Machine Learning Models for the Sciences: A Multidisciplinary Perspective [77.53142165205281]
  線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。 データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2022-11-21T17:48:44Z)
• SurvSHAP(t): Time-dependent explanations of machine learning survival models [6.950862982117125]
  SurvSHAP(t)は、生存可能なブラックボックスモデルの解釈を可能にする最初の時間依存的な説明である。 合成および医療データの実験により、SurvSHAP(t)が時間依存効果で変数を検出できることが確認された。 我々はPythonで時間に依存した説明のアクセス可能な実装を提供する。
  論文  参考訳（メタデータ） (2022-08-23T17:01:14Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Multi-Omic Data Integration and Feature Selection for Survival-based Patient Stratification via Supervised Concrete Autoencoders [4.846870511582627]
  生存型マルチオミック統合のためのSupervised Autoencoderモデルを開発した。 本報告では, 特徴選択を用いたコンクリート監督オートエンコーダモデル (CSAE) について報告する。 我々の実験は、我々のモデルが最もよく使われているベースラインよりも優れているか、あるいは同等であることを示している。
  論文  参考訳（メタデータ） (2022-06-21T19:44:08Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。