論文の概要: Evidential time-to-event prediction model with well-calibrated uncertainty estimation

• arxiv url: http://arxiv.org/abs/2411.07853v1
• Date: Tue, 12 Nov 2024 15:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:44.291077
• Title: Evidential time-to-event prediction model with well-calibrated uncertainty estimation
• Title（参考訳）: 確固とした不確実性推定を伴う証拠時間対物予測モデル
• Authors: Ling Huang, Yucheng Xing, Swapnil Mishra, Thierry Denoeux, Mengling Feng,
• Abstract要約: 本稿では,特に時間-時間予測タスクのために設計された明らかな回帰モデルを提案する。 最も確実な事象時間は、集約されたガウスランダムファジィ数(GRFN)によって直接定量化される 我々のモデルは精度と信頼性の両方を達成し、最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 12.446406577462069
• License:
• Abstract: Time-to-event analysis, or Survival analysis, provides valuable insights into clinical prognosis and treatment recommendations. However, this task is typically more challenging than other regression tasks due to the censored observations. Moreover, concerns regarding the reliability of predictions persist among clinicians, mainly attributed to the absence of confidence assessment, robustness, and calibration of prediction. To address those challenges, we introduce an evidential regression model designed especially for time-to-event prediction tasks, with which the most plausible event time, is directly quantified by aggregated Gaussian random fuzzy numbers (GRFNs). The GRFNs are a newly introduced family of random fuzzy subsets of the real line that generalizes both Gaussian random variables and Gaussian possibility distributions. Different from conventional methods that construct models based on strict data distribution, e.g., proportional hazard function, our model only assumes the event time is encoded in a real line GFRN without any strict distribution assumption, therefore offering more flexibility in complex data scenarios. Furthermore, the epistemic and aleatory uncertainty regarding the event time is quantified within the aggregated GRFN as well. Our model can, therefore, provide more detailed clinical decision-making guidance with two more degrees of information. The model is fit by minimizing a generalized negative log-likelihood function that accounts for data censoring based on uncertainty evidence reasoning. Experimental results on simulated datasets with varying data distributions and censoring scenarios, as well as on real-world datasets across diverse clinical settings and tasks, demonstrate that our model achieves both accurate and reliable performance, outperforming state-of-the-art methods.
• Abstract（参考訳）: 経時的分析(英: Time-to-event analysis)または生存分析(英: Survival analysis)は、臨床予後と治療勧告に関する貴重な洞察を提供する。 しかしながら、このタスクは一般的に、検閲された観察のため、他の回帰タスクよりも難しい。 さらに, 予測の信頼性に関する懸念は, 信頼性評価の欠如, 堅牢性, 予測の校正が主な要因である。 これらの課題に対処するために、特に時間とイベントの予測タスクのために設計された明らかな回帰モデルを導入し、最も妥当な事象時間はガウス乱ファジィ数(GRFN)によって直接定量化される。 GRFNは、ガウス確率変数とガウス可能性分布の両方を一般化する実数直線のランダムなファジィ部分集合の族である。 厳密なデータ分布、例えば比例的ハザード関数に基づくモデルを構築する従来の手法とは異なり、我々のモデルは、イベント時間が厳密な分布仮定なしで実線GFRNに符号化されることを前提としており、複雑なデータシナリオにおいてより柔軟性を提供する。 さらに、集約されたGRFN内にも、事象時間に関する疫学的および緩和的不確かさを定量化する。 そこで本モデルでは,より詳細な臨床意思決定指導を2段階の情報で行うことができる。 このモデルは、不確実性証拠の推論に基づいてデータ検閲を行う一般化された負のログ類似関数を最小化することで適合する。 様々なデータ分布と検閲シナリオを持つシミュレーションデータセットの実験結果と、様々な臨床設定やタスクにわたる実世界のデータセットについての実験結果から、我々のモデルは正確かつ信頼性の高い性能と、最先端の手法よりも優れた性能を達成できることを示した。

関連論文リスト

• An evidential time-to-event prediction model based on Gaussian random fuzzy numbers [12.753099158148887]
  検閲データを用いた時間-時間予測のための明らかなモデルを提案する。 事象時間の不確かさはガウス乱ファジィ数によって定量化される。
  論文  参考訳（メタデータ） (2024-06-19T12:14:45Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting [2.8712862578745018]
  計測過程の遅延による信号の観測の更新は、信号処理において一般的な問題である。 本稿では,報告時間遅延面に存在する自己相関構造の変化を記述可能な潜在ガウス過程を用いた柔軟なアプローチを提案する。 このアプローチは、現在予測されている死者数に対する不確実性の堅牢な推定も生み出す。
  論文  参考訳（メタデータ） (2021-02-22T18:32:44Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。