論文の概要: Generalized Bayesian Ensemble Survival Tree (GBEST) model

• arxiv url: http://arxiv.org/abs/2503.11738v1
• Date: Fri, 14 Mar 2025 15:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:33:37.906775
• Title: Generalized Bayesian Ensemble Survival Tree (GBEST) model
• Title（参考訳）: 一般ベイズアンアンサンブルサバイバルツリー(GBEST)モデル
• Authors: Elena Ballante, Pietro Muliere, Silvia Figini,
• Abstract要約: 本稿では,一般ベイズアンサンブルサバイバルツリー(GBEST)と呼ばれる生存予測モデルを提案する。 我々の貢献は、ベイジアンブートストラップ法とベータステイシーブートストラップ法を用いてサバイバルアプリケーションの結果を改善するアンサンブル手法の提案である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper proposes a new class of predictive models for survival analysis called Generalized Bayesian Ensemble Survival Tree (GBEST). It is well known that survival analysis poses many different challenges, in particular when applied to small data or censorship mechanism. Our contribution is the proposal of an ensemble approach that uses Bayesian bootstrap and beta Stacy bootstrap methods to improve the outcome in survival application with a special focus on small datasets. More precisely, a novel approach to integrate Beta Stacy Bayesian bootstrap in bagging tree models for censored data is proposed in this paper. Empirical evidence achieved on simulated and real data underlines that our approach performs better in terms of predictive performances and stability of the results compared with classical survival models available in the literature. In terms of methodology our novel contribution considers the adaptation of recent Bayesian ensemble approaches to survival data, providing a new model called Generalized Bayesian Ensemble Survival Tree (GBEST). A further result in terms of computational novelty is the implementation in R of GBEST, available in a public GitHub repository.
• Abstract（参考訳）: 本稿では,一般ベイズアンサンブル生存木(GBEST)と呼ばれる生存予測モデルを提案する。 生存分析は、特に小さなデータや検閲機構に適用する場合、多くの異なる課題を生んでいることはよく知られている。 我々の貢献は、ベイジアンブートストラップとベータステイシーブートストラップを使って、小さなデータセットに特化してサバイバルアプリケーションの結果を改善するアンサンブルアプローチの提案である。 より正確には、検閲データのための木モデルにベータステイシー・ベイジアンブートストラップを統合するための新しい手法を提案する。 シミュレーションおよび実データに基づいて得られた実証的証拠は、文献で利用可能な古典的生存モデルと比較して、予測性能と結果の安定性の観点から、我々のアプローチがより優れていることを裏付けている。 方法論の観点からは,近年のベイズアンサンブルアプローチの生存データへの適応を考察し,一般ベイズアンサンブル生存木(GBEST)と呼ばれる新しいモデルを提供する。 計算のノベルティに関するさらなる結果は、パブリックなGitHubリポジトリで利用可能なGBESTのRの実装である。

関連論文リスト

• SurvHive: a package to consistently access multiple survival-analysis packages [0.0]
  SurvHiveはPythonベースのフレームワークで、Scikit-learnをモデルとしたコヒーレントかつインターフェース内でサバイバル分析メソッドを統合するように設計されている。 SurvHiveは古典的な統計モデルと最先端のディープラーニングアプローチを統合しており、トランスフォーマーベースのアーキテクチャやパラメトリックサバイバルモデルを含んでいる。
  論文  参考訳（メタデータ） (2025-02-04T11:02:40Z)
• SurvBETA: Ensemble-Based Survival Models Using Beran Estimators and Several Attention Mechanisms [2.024925013349319]
  SurvBETA(Survival Beran estimator Ensemble using Three Attention Mechanism)と呼ばれる新しいアンサンブルモデルを提案する。 提案モデルは2つの形式で表される: 訓練のための複雑な最適化問題を解くために必要な一般的な形式と、注意重みの特殊表現を考慮して単純化された形式である。
  論文  参考訳（メタデータ） (2024-12-10T16:17:38Z)
• Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later [76.66498833720411]
  K$-nearest neighbors (KNN) はもともと,インスタンス間のセマンティックな類似性を捉えるために線形投影を学習するために設計されたものだ。 意外なことに、SGDを用いたNAAの実装と次元減少のない実装は、表データの良好な性能をすでに達成しています。 本稿では、損失関数、予測戦略、深いアーキテクチャなど、これらの改善の背景にある要因を分析して、論文を締めくくる。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
  サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。 本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:16:00Z)
• Area-norm COBRA on Conditional Survival Prediction [0.0]
  本稿では,条件付き生存関数を計算するために,複合回帰戦略の異なるバリエーションについて検討する。 我々は、回帰に基づく弱い学習者を用いて、提案したアンサンブル手法を作成する。 提案したモデルでは、ランダム生存林よりも優れた性能を発揮する構造を示している。
  論文  参考訳（メタデータ） (2023-09-01T12:20:30Z)
• Evaluation of Faithfulness Using the Longest Supported Subsequence [52.27522262537075]
  本稿では,文脈によって支持される請求項の最長不連続性を計算し,機械生成テキストの忠実さを評価する新しい手法を提案する。 新しい人間アノテーション付きデータセットを使用して、モデルを微調整してLongest Supported Subsequence(LSS)を生成する。 提案手法は,我々のデータセットの忠実度に対する最先端のメトリクスよりも18%向上していることを示す。
  論文  参考訳（メタデータ） (2023-08-23T14:18:44Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)
• Heterogeneous Datasets for Federated Survival Analysis Simulation [6.489759672413373]
  本研究では、既存の非フェデレーションデータセットから再現可能な方法で開始することで、現実的な異種データセットを構築する新しい手法を提案する。 具体的には、ディリクレ分布に基づく2つの新しいデータセット分割アルゴリズムを提供し、各データサンプルを慎重に選択したクライアントに割り当てる。 提案手法の実装は,フェデレートされた環境をシミュレートしてサバイバル分析を行うことを推奨し,広く普及している。
  論文  参考訳（メタデータ） (2023-01-28T11:37:07Z)
• Class-Incremental Learning with Strong Pre-trained Models [97.84755144148535]
  CIL(Class-incremental Learning)は、少数のクラス(ベースクラス)から始まる設定で広く研究されている。 我々は、多数のベースクラスで事前訓練された強力なモデルから始まるCILの実証済み実世界の設定について検討する。 提案手法は、解析されたCIL設定すべてに頑健で一般化されている。
  論文  参考訳（メタデータ） (2022-04-07T17:58:07Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。