論文の概要: NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2505.11054v1
• Date: Fri, 16 May 2025 09:53:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.568068
• Title: NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification
• Title（参考訳）: NeuralSurv:ベイジアン不確かさの定量化による深層生存分析
• Authors: Mélodie Monod, Alessandro Micheli, Samir Bhatt,
• Abstract要約: 我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
• 参考スコア（独自算出の注目度）: 45.560812800359685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce NeuralSurv, the first deep survival model to incorporate Bayesian uncertainty quantification. Our non-parametric, architecture-agnostic framework flexibly captures time-varying covariate-risk relationships in continuous time via a novel two-stage data-augmentation scheme, for which we establish theoretical guarantees. For efficient posterior inference, we introduce a mean-field variational algorithm with coordinate-ascent updates that scale linearly in model size. By locally linearizing the Bayesian neural network, we obtain full conjugacy and derive all coordinate updates in closed form. In experiments, NeuralSurv delivers superior calibration compared to state-of-the-art deep survival models, while matching or exceeding their discriminative performance across both synthetic benchmarks and real-world datasets. Our results demonstrate the value of Bayesian principles in data-scarce regimes by enhancing model calibration and providing robust, well-calibrated uncertainty estimates for the survival function.
• Abstract（参考訳）: 我々はベイズの不確実性定量化を組み込んだ最初のディープサバイバルモデルであるNeuralSurvを紹介する。 我々の非パラメトリック・アーキテクチャに依存しないフレームワークは、理論的な保証を確立する新しい2段階のデータ拡張スキームにより、連続時間における時間変化の共変リスク関係を柔軟にキャプチャする。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 ベイズニューラルネットワークを局所的に線形化することにより、完全な共役を得、すべての座標更新をクローズドな形で導出する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供し、合成ベンチマークと実世界のデータセットの両方で識別性能をマッチングまたは超える。 本研究は,モデルキャリブレーションを向上し,サバイバル関数に対する頑健でよく校正された不確実性推定を提供することにより,データスカース体制におけるベイズ原理の価値を実証するものである。

関連論文リスト

• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  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。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading [0.0]
  ジオエンジニアリングにおいて、モデルは様々な負荷条件下での土壌の挙動を記述する上で重要な役割を担っている。 データ駆動型ディープラーニング(DL)モデルは、予測モデルを開発するための有望な代替手段を提供する。 予測が主眼となる場合、訓練されたDLモデルの予測不確実性を定量化することは、情報的意思決定に不可欠である。
  論文  参考訳（メタデータ） (2025-01-17T10:15:03Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Density Estimation with Autoregressive Bayesian Predictives [1.5771347525430772]
  密度推定の文脈では、標準的なベイズ的アプローチは、後方予測をターゲットとする。 我々は、データを潜在空間にマッピングする自己回帰ニューラルネットワークを用いて、帯域幅の新たなパラメータ化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T20:43:39Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。