論文の概要: Evidential time-to-event prediction with calibrated uncertainty quantification

• arxiv url: http://arxiv.org/abs/2411.07853v2
• Date: Fri, 13 Dec 2024 08:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:00:16.795419
• Title: Evidential time-to-event prediction with calibrated uncertainty quantification
• Title（参考訳）: キャリブレーションされた不確実性定量化を用いた証拠時間と事象の予測
• Authors: Ling Huang, Yucheng Xing, Swapnil Mishra, Thierry Denoeux, Mengling Feng,
• Abstract要約: Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.446406577462069
• License:
• Abstract: Time-to-event analysis provides insights into clinical prognosis and treatment recommendations. However, this task is more challenging than standard regression problems due to the presence of censored observations. Additionally, the lack of confidence assessment, model robustness, and prediction calibration raises concerns about the reliability of predictions. To address these challenges, we propose an evidential regression model specifically designed for time-to-event prediction. The proposed model quantifies both epistemic and aleatory uncertainties using Gaussian Random Fuzzy Numbers and belief functions, providing clinicians with uncertainty-aware survival time predictions. The model is trained by minimizing a generalized negative log-likelihood function accounting for data censoring. Experimental evaluations using simulated datasets with different data distributions and censoring conditions, as well as real-world datasets across diverse clinical applications, demonstrate that our model delivers both accurate and reliable performance, outperforming state-of-the-art methods. These results highlight the potential of our approach for enhancing clinical decision-making in survival analysis.
• Abstract（参考訳）: Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 しかし、この課題は、検閲された観測の存在により、標準回帰問題よりも困難である。 さらに、信頼性評価の欠如、モデルの堅牢性、予測キャリブレーションは、予測の信頼性に関する懸念を引き起こす。 これらの課題に対処するために、時間から時間への予測に特化して設計された明らかな回帰モデルを提案する。 提案モデルは,ガウス的ランダムファジィ数と信念関数を用いて,疫学的および聴覚的不確実性の両方を定量化し,不確実性を考慮した生存時間予測を行う。 このモデルは、データ検閲を考慮に入れた一般化された負の対数類似関数を最小化することによって訓練される。 異なるデータ分布と検閲条件を持つシミュレーションデータセットと、さまざまな臨床応用にわたる実世界のデータセットを用いた実験評価により、我々のモデルは、正確かつ信頼性の高いパフォーマンスと、最先端の手法の両方を提供することを示した。 これらの結果から,生存分析における臨床的意思決定の促進に向けたアプローチの可能性が示唆された。

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。