論文の概要: EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers

• arxiv url: http://arxiv.org/abs/2412.01215v1
• Date: Mon, 02 Dec 2024 07:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:43:30.433789
• Title: EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers
• Title（参考訳）: EsurvFusion:ガウス乱ファジィ数に基づく明らかなマルチモーダル生存融合モデル
• Authors: Ling Huang, Yucheng Xing, Qika Lin, Su Ruan, Mengling Feng,
• Abstract要約: EsurvFusionは、決定レベルでマルチモーダルデータを組み合わせるように設計されている。 信頼性の割引層を通じてモダリティレベルの信頼性を推定する。 これは、不確実性と信頼性の両方でマルチモーダルサバイバル分析を研究する最初の研究である。
• 参考スコア（独自算出の注目度）: 13.518282190712348
• License:
• Abstract: Multimodal survival analysis aims to combine heterogeneous data sources (e.g., clinical, imaging, text, genomics) to improve the prediction quality of survival outcomes. However, this task is particularly challenging due to high heterogeneity and noise across data sources, which vary in structure, distribution, and context. Additionally, the ground truth is often censored (uncertain) due to incomplete follow-up data. In this paper, we propose a novel evidential multimodal survival fusion model, EsurvFusion, designed to combine multimodal data at the decision level through an evidence-based decision fusion layer that jointly addresses both data and model uncertainty while incorporating modality-level reliability. Specifically, EsurvFusion first models unimodal data with newly introduced Gaussian random fuzzy numbers, producing unimodal survival predictions along with corresponding aleatoric and epistemic uncertainties. It then estimates modality-level reliability through a reliability discounting layer to correct the misleading impact of noisy data modalities. Finally, a multimodal evidence-based fusion layer is introduced to combine the discounted predictions to form a unified, interpretable multimodal survival analysis model, revealing each modality's influence based on the learned reliability coefficients. This is the first work that studies multimodal survival analysis with both uncertainty and reliability. Extensive experiments on four multimodal survival datasets demonstrate the effectiveness of our model in handling high heterogeneity data, establishing new state-of-the-art on several benchmarks.
• Abstract（参考訳）: マルチモーダルサバイバル分析は、不均一なデータソース(臨床、画像、テキスト、ゲノムなど)を組み合わせることで、サバイバル結果の予測品質を向上させることを目的としている。 しかし、このタスクは、構造、分布、コンテキストによって異なる、データソース間の高い不均一性とノイズのため、特に困難である。 また、不完全なフォローアップデータのため、根底的な真実はしばしば検閲(不確か)される。 本稿では,モダリティレベルの信頼性を取り入れつつ,データとモデルの不確実性の両方に共同で対処するエビデンスベースの決定融合層を通じて,決定レベルでのマルチモーダルデータの統合を目的とした,新しい顕在的多モーダル生存融合モデルであるEsurvFusionを提案する。 具体的には、EsurvFusionは新たに導入されたガウスのランダムなファジィ数を用いて単調なデータをモデル化し、対応するアレタリックおよびエピステミックの不確実性とともに単調な生存予測を生成する。 そして、信頼性割引層を通じてモダリティレベルの信頼性を推定し、ノイズの多いデータモダリティの誤解を招く影響を補正する。 最後に, マルチモーダルエビデンスに基づく融合層を導入し, 得られた信頼性係数に基づいて各モーダルの影響を明らかにすることにより, 縮退予測を組み合わせることで, 統一的かつ解釈可能なマルチモーダルサバイバル分析モデルを構築する。 これは、不確実性と信頼性の両方でマルチモーダルサバイバル分析を研究する最初の研究である。 4つのマルチモーダルサバイバルデータセットに対する大規模な実験は、高い不均一性データを扱う上で、我々のモデルの有効性を示し、いくつかのベンチマークで新しい最先端性を確立した。

関連論文リスト

• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations [19.560652381770243]
  我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。 我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。 提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-25T02:55:39Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Robust Direct Learning for Causal Data Fusion [14.462235940634969]
  我々は、他のニュアンス関数から処理効果を分離するマルチソースデータを統合するためのフレームワークを提供する。 また,半パラメトリック効率理論の理論的洞察に基づく因果情報認識重み付け関数を提案する。
  論文  参考訳（メタデータ） (2022-11-01T03:33:22Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。