論文の概要: Beyond Cox Models: Assessing the Performance of Machine-Learning Methods in Non-Proportional Hazards and Non-Linear Survival Analysis

• arxiv url: http://arxiv.org/abs/2504.17568v1
• Date: Thu, 24 Apr 2025 13:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.395838
• Title: Beyond Cox Models: Assessing the Performance of Machine-Learning Methods in Non-Proportional Hazards and Non-Linear Survival Analysis
• Title（参考訳）: Coxモデルを超えて:非専門的ハザードにおける機械学習手法の性能評価と非線形生存分析
• Authors: Ivan Rossi, Flavio Sartori, Cesare Rollo, Giovanni Birolo, Piero Fariselli, Tiziana Sanavia,
• Abstract要約: 生存分析はしばしばCoxモデルに依存し、線形性と比例ハザード(PH)の両方を仮定する。 本研究では,これらの制約を緩和する機械学習および深層学習手法を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis often relies on Cox models, assuming both linearity and proportional hazards (PH). This study evaluates machine and deep learning methods that relax these constraints, comparing their performance with penalized Cox models on a benchmark of three synthetic and three real datasets. In total, eight different models were tested, including six non-linear models of which four were also non-PH. Although Cox regression often yielded satisfactory performance, we showed the conditions under which machine and deep learning models can perform better. Indeed, the performance of these methods has often been underestimated due to the improper use of Harrell's concordance index (C-index) instead of more appropriate scores such as Antolini's concordance index, which generalizes C-index in cases where the PH assumption does not hold. In addition, since occasionally high C-index models happen to be badly calibrated, combining Antolini's C-index with Brier's score is useful to assess the overall performance of a survival method. Results on our benchmark data showed that survival prediction should be approached by testing different methods to select the most appropriate one according to sample size, non-linearity and non-PH conditions. To allow an easy reproducibility of these tests on our benchmark data, code and documentation are freely available at https://github.com/compbiomed-unito/survhive.
• Abstract（参考訳）: 生存分析はしばしばコックスモデルに依存し、線形性と比例ハザード(PH)の両方を仮定する。 本研究では,これらの制約を緩和する機械学習とディープラーニングの手法を評価し,その性能を3つの合成データセットと3つの実データセットのベンチマーク上でペナル化したCoxモデルと比較した。 合計8つの異なるモデルが試験され、うち6つは非線形モデルで、4つは非PHモデルであった。 Coxレグレッションはしばしば良好な性能を示したが、機械学習モデルとディープラーニングモデルがより良く機能する条件を示した。 実際、これらの手法の性能は、PH仮定が成り立たない場合にC-インデックスを一般化するAnthoriniのConcordance Indexのようなより適切なスコアの代わりに、HarrellのConcordance Index(C-index)が不適切な使用のために過小評価されていることが多い。 さらに、時折高いC-インデックスモデルがひどい校正を受けるため、アントリーニのC-インデックスとブライアのスコアを組み合わせることは、生存法全体の性能を評価するのに有用である。 その結果, サンプルサイズ, 非直線性, 非PH条件に応じて, 生存率の予測に最も適した方法を選択することで, 生存率の予測にアプローチすることが示唆された。 ベンチマークデータでこれらのテストを簡単に再現できるように、コードとドキュメントはhttps://github.com/compbiomed-unito/survhive.comで自由に入手できる。

関連論文リスト

• Modeling of AUV Dynamics with Limited Resources: Efficient Online Learning Using Uncertainty [9.176056742068814]
  本研究では,記憶容量の制約によるオンライン学習におけるリハーサルのためのデータポイントの選択における不確実性の利用について検討する。 本稿では, 特定の閾値以下で不確実なサンプルを除外するThreshold法, 保存点間の不確実性を最大化するために設計されたGreedy法, 以前の2つのアプローチを組み合わせたThreshold-Greedyの3つの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-06T18:48:55Z)
• A Large-Scale Neutral Comparison Study of Survival Models on Low-Dimensional Data [7.199059106376138]
  この研究は、単一イベント、右検閲、低次元生存データに焦点を当てた最初の大規模な中性ベンチマーク実験を示す。 我々は、32の公開データセット上で、古典的な統計的アプローチから多くの一般的な機械学習手法まで、18のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2024-06-06T14:13:38Z)
• Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data [122.282521548393]
  コントラスト言語-画像事前学習 (CLIP) は, クロスモーダルな画像-テキスト表現学習の標準となっている。 HELIPは、CLIPモデルを改善するためのコスト効率のよい戦略であり、継続的なトレーニングにおいて既存のデータセット内の挑戦的なテキストイメージペアを利用することで、CLIPモデルを改善する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• A Statistical Learning Take on the Concordance Index for Survival Analysis [0.29005223064604074]
  C-index Fisher-Consistencyの結果と、生存分析においてよく使われるコスト関数に対する過剰なリスク境界を提供する。 また、モデル仮定が作成されず、C-インデックスと整合性を示す新しいオフ・ザ・シェルフ法を提示する一般事例についても検討する。
  論文  参考訳（メタデータ） (2023-02-23T14:33:54Z)
• Towards Robust Recommender Systems via Triple Cooperative Defense [63.64651805384898]
  レコメンダシステムは、よく作られた偽のプロフィールに影響を受けやすいことが多く、バイアスのあるレコメンデーションにつながる。 本稿では,3つのモデルの協調学習によるモデルロバスト性向上に協力する汎用フレームワークであるトリプル協調防衛を提案する。 その結果,TCDの堅牢性向上はベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-10-25T04:45:43Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• 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)
• Testing the Robustness of Learned Index Structures [15.472214703318805]
  本研究は, 学習指標構造の頑健性を評価する。 敵のワークロードをシミュレートするため,線形回帰モデルに対してデータ中毒攻撃を行う。 有毒なデータセットと無毒なデータセットで評価すると,学習されたインデックス構造が最大20%の大幅な性能劣化に悩まされる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-07-23T18:44:54Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Federated Survival Analysis with Discrete-Time Cox Models [0.46331617589391827]
  私たちは、フェデレートラーニング(FL)を用いて、異なるセンターに位置する分散データセットから機械学習モデルを構築します。 得られたモデルが、いくつかの悪い設定で重要なパフォーマンス損失を被る可能性があることを示す。 このアプローチを用いて、合成データに基づく標準FL技術と、The Cancer Genome Atlas (TCGA)による実世界のデータセットを用いて生存モデルを訓練する。
  論文  参考訳（メタデータ） (2020-06-16T08:53:19Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。