論文の概要: Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis

• arxiv url: http://arxiv.org/abs/2504.04353v1
• Date: Sun, 06 Apr 2025 04:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:51.536584
• Title: Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis
• Title（参考訳）: 生存分析のための記号的非線形対数関数を持つ拡張コックス確率的ハザードモデル
• Authors: Jiaxiang Cheng, Guoqiang Hu,
• Abstract要約: 我々は、生存分析の新しい手法であるGeneralized Cox Proportional Hazards (GCPH)モデルを導入する。 GCPHは従来のCPHモデルの解釈可能性を維持しつつ、非線形ログリスク関数の推定を可能にする。
• 参考スコア（独自算出の注目度）: 4.872570541276082
• License:
• Abstract: The Cox proportional hazards (CPH) model has been widely applied in survival analysis to estimate relative risks across different subjects given multiple covariates. Traditional CPH models rely on a linear combination of covariates weighted with coefficients as the log-risk function, which imposes a strong and restrictive assumption, limiting generalization. Recent deep learning methods enable non-linear log-risk functions. However, they often lack interpretability due to the end-to-end training mechanisms. The implementation of Kolmogorov-Arnold Networks (KAN) offers new possibilities for extending the CPH model with fully transparent and symbolic non-linear log-risk functions. In this paper, we introduce Generalized Cox Proportional Hazards (GCPH) model, a novel method for survival analysis that leverages KAN to enable a non-linear mapping from covariates to survival outcomes in a fully symbolic manner. GCPH maintains the interpretability of traditional CPH models while allowing for the estimation of non-linear log-risk functions. Experiments conducted on both synthetic data and various public benchmarks demonstrate that GCPH achieves competitive performance in terms of prediction accuracy and exhibits superior interpretability compared to current state-of-the-art methods.
• Abstract（参考訳）: コックス比例ハザード(CPH)モデルは、複数の共変量を持つ異なる被験者の相対リスクを推定するために、生存分析に広く応用されている。 伝統的なCPHモデルは、対数リスク関数として係数が重み付けられた共変量の線型結合に依存しており、これは強い制約的な仮定を課し、一般化を制限している。 近年のディープラーニング手法により,非線形ログリスク関数が実現されている。 しかし、エンド・ツー・エンドのトレーニングメカニズムのため、しばしば解釈性に欠ける。 Kolmogorov-Arnold Networks (KAN) の実装は、完全に透明でシンボリックな非線形ログリスク関数でCPHモデルを拡張するための新しい可能性を提供する。 本稿では,共変量から生存結果への非線形マッピングを実現するために,KANを利用した生存分析の新しい手法である Generalized Cox Proportional Hazards (GCPH) モデルを提案する。 GCPHは従来のCPHモデルの解釈可能性を維持しつつ、非線形ログリスク関数の推定を可能にする。 合成データと各種公開ベンチマークで行った実験は、GCPHが予測精度で競合性能を達成し、現在の最先端手法と比較して優れた解釈性を示すことを示した。

関連論文リスト

• 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)
• OPSurv: Orthogonal Polynomials Quadrature Algorithm for Survival Analysis [19.65859820376036]
  本稿では、生存分析のための直交多項式四分法アルゴリズム(OPSurv)を紹介する。 OPSurvは、生存分析における単一のリスクシナリオと競合するリスクシナリオの両方に対して、時間連続的な機能出力を提供する。
  論文  参考訳（メタデータ） (2024-02-02T23:26:09Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Variable selection for nonlinear Cox regression model via deep learning [0.0]
  最近開発された深層学習に基づく変数選択モデルLassoNetを生存データに拡張する。 提案手法を適用し,びまん性大細胞型B細胞リンパ腫の実際のデータセットを解析した。
  論文  参考訳（メタデータ） (2022-11-17T01:17:54Z)
• Factor-Augmented Regularized Model for Hazard Regression [1.8021287677546953]
  本研究では,ハザード回帰のための因子拡張正規化モデル(FarmHazard)を提案する。 モデル選択の整合性と推定の整合性を軽度条件下で証明する。 また,超高次元問題における強い相関に対処する因子拡張可変スクリーニング手法を開発した。
  論文  参考訳（メタデータ） (2022-10-03T16:35:33Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
  我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。 また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:35:29Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• DeepHazard: neural network for time-varying risks [0.6091702876917281]
  生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。 我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。 数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-26T21:01:49Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。