論文の概要: CoxNTF: A New Approach for Joint Clustering and Prediction in Survival Analysis

• arxiv url: http://arxiv.org/abs/2506.06411v1
• Date: Fri, 06 Jun 2025 15:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.268467
• Title: CoxNTF: A New Approach for Joint Clustering and Prediction in Survival Analysis
• Title（参考訳）: CoxNTF: 生存分析における共同クラスタリングと予測の新しいアプローチ
• Authors: Paul Fogel, Christophe Geissler, George Luta,
• Abstract要約: CoxNTFは、非負のテンソル因子化(NTF)を用いて、生存結果と密接に関連する有意義な潜在表現を導出する新しいアプローチである。 以上の結果から,CoxNTFはCoxnetに匹敵する生存予測性能が得られた。 この新しいアプローチは機能冗長性を効果的に処理し、共同クラスタリングと生存分析の予測に強力なツールとなる。
• 参考スコア（独自算出の注目度）: 0.3160121582090025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The interpretation of the results of survival analysis often benefits from latent factor representations of baseline covariates. However, existing methods, such as Nonnegative Matrix Factorization (NMF), do not incorporate survival information, limiting their predictive power. We present CoxNTF, a novel approach that uses non-negative tensor factorization (NTF) to derive meaningful latent representations that are closely associated with survival outcomes. CoxNTF constructs a weighted covariate tensor in which survival probabilities derived from the Coxnet model are used to guide the tensorization process. Our results show that CoxNTF achieves survival prediction performance comparable to using Coxnet with the original covariates, while providing a structured and interpretable clustering framework. In addition, the new approach effectively handles feature redundancy, making it a powerful tool for joint clustering and prediction in survival analysis.
• Abstract（参考訳）: 生存分析の結果の解釈は、しばしば塩基性共変体の潜在因子表現の恩恵を受ける。 しかし、NMF(Non negative Matrix Factorization)のような既存の手法では、生存情報を組み込まず、予測力を制限している。 非負のテンソル因子化(NTF)を用いて、生存結果と密接に関連する有意義な潜在表現を導出する新しいアプローチであるCoxNTFを提案する。 CoxNTFは、Coxnetモデルに由来する生存確率を用いてテンソル化過程を導出する重み付き共変テンソルを構成する。 この結果から,CoxNTFは,Coxnetと元の共変量を用いた場合と同等の生存予測性能を達成し,構造化および解釈可能なクラスタリングフレームワークを提供することがわかった。 さらに、新しいアプローチは機能冗長性を効果的に処理し、共同クラスタリングと生存分析の予測に強力なツールとなる。

関連論文リスト

• Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis [4.872570541276082]
  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。
  論文  参考訳（メタデータ） (2025-04-06T04:35:11Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• ICTSurF: Implicit Continuous-Time Survival Functions with Neural Networks [0.0]
  本研究はImplicit Continuous-Time Survival Function (ICTSurF)を紹介する。 ICTSurFは連続生存モデルに基づいて構築され、暗黙の表現を通して生存分布を構築する。 本手法は,ニューラルネットワークアーキテクチャに依存しない連続時間空間における入力を受信し,継続時間空間における生存確率を生成する。
  論文  参考訳（メタデータ） (2023-12-10T08:29:00Z)
• Learning Survival Distribution with Implicit Survival Function [15.588273962274393]
  強い仮定を伴わない生存分布推定のためのインプシットニューラルネットワーク表現に基づくインプシット生存関数(ISF)を提案する。 実験の結果、ICFは3つの公開データセットで最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-24T02:51:29Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• 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)

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。