論文の概要: Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data

• arxiv url: http://arxiv.org/abs/2503.09097v1
• Date: Wed, 12 Mar 2025 06:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:44.954432
• Title: Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data
• Title（参考訳）: 時間-事象データに対する自己整合方程式誘導ニューラルネットワーク
• Authors: Sehwan Kim, Rui Wang, Wenbin Lu,
• Abstract要約: 本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
• 参考スコア（独自算出の注目度）: 11.550402345767141
• License:
• Abstract: In survival analysis, estimating the conditional survival function given predictors is often of interest. There is a growing trend in the development of deep learning methods for analyzing censored time-to-event data, especially when dealing with high-dimensional predictors that are complexly interrelated. Many existing deep learning approaches for estimating the conditional survival functions extend the Cox regression models by replacing the linear function of predictor effects by a shallow feed-forward neural network while maintaining the proportional hazards assumption. Their implementation can be computationally intensive due to the use of the full dataset at each iteration because the use of batch data may distort the at-risk set of the partial likelihood function. To overcome these limitations, we propose a novel deep learning approach to non-parametric estimation of the conditional survival functions using the generative adversarial networks leveraging self-consistent equations. The proposed method is model-free and does not require any parametric assumptions on the structure of the conditional survival function. We establish the convergence rate of our proposed estimator of the conditional survival function. In addition, we evaluate the performance of the proposed method through simulation studies and demonstrate its application on a real-world dataset.
• Abstract（参考訳）: 生存分析では、予測器に与えられた条件付き生存関数を推定することがしばしば重要である。 特に複雑に相互に関連のある高次元予測器を扱う場合、検閲された時間から時間までのデータを分析するためのディープラーニング手法の開発が増えている。 条件付き生存関数を推定するための多くの既存のディープラーニングアプローチは、比例的ハザード仮定を維持しつつ、浅いフィードフォワードニューラルネットワークによる予測効果の線形関数を置き換えることで、コックス回帰モデルを拡張している。 これらの実装は、各イテレーションで完全なデータセットを使用するため、計算的に集約することができる。 これらの制約を克服するために,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定のための新しいディープラーニング手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。 我々は,条件付き生存関数の推定器の収束率を確立する。 さらに,提案手法の性能をシミュレーション研究により評価し,実世界のデータセットへの適用を実証する。

関連論文リスト

• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  The consistency properties of TD learning with Polyak-Ruppert averaging and linear function approximation。 まず、分散に明示的に依存し、弱い条件下で保持する新しい高次元確率収束保証を導出する。 さらに、文献よりも高速な速度を保証する凸集合のクラスに対して、洗練された高次元ベリー-エッセイン境界を確立する。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Conditional Distribution Function Estimation Using Neural Networks for Censored and Uncensored Data [0.0]
  検閲されたデータと検閲されていないデータの両方に対してニューラルネットワークを用いて条件分布関数を推定することを検討する。 本研究では,提案手法が望ましい性能を有することを示す一方で,モデル仮定に違反した場合に偏りのある推定値が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T01:12:22Z)
• DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
  本研究では,DeepBayes推定器を提案する。 ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。 提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
  論文  参考訳（メタデータ） (2022-05-04T18:12:17Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Metaparametric Neural Networks for Survival Analysis [0.6445605125467573]
  本稿では,既存の生存分析手法を含むメタパラメトリックニューラルネットワークフレームワークを提案する。 このフレームワークにより、サバイバルニューラルネットワークは、基盤となるデータ構造からのジェネリック関数推定の独立性を満足することができる。
  論文  参考訳（メタデータ） (2021-10-13T10:06:57Z)
• Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
  時系列モデルの構築とトレーニングのための新しいアプローチを提案する。 提案手法は,非定常時系列の予測モデル構築に適している。
  論文  参考訳（メタデータ） (2020-11-23T21:28:03Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。