論文の概要: Ensemble-Based Survival Models with the Self-Attended Beran Estimator Predictions
- arxiv url: http://arxiv.org/abs/2506.07933v1
- Date: Mon, 09 Jun 2025 16:53:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:11.064183
- Title: Ensemble-Based Survival Models with the Self-Attended Beran Estimator Predictions
- Title（参考訳）: 自己推定ベラン推定を用いたアンサンブルに基づく生存モデル
- Authors: Lev V. Utkin, Semen P. Khomets, Vlada A. Efremenko, Andrei V. Konstantinov, Natalya M. Verbova,
- Abstract要約: 本稿では,SurvBESA(Survival Beran Estimators Self-Attended)を提案する。
従来の方法とは異なり、SurvBESAは生存関数の予測に自己注意を適用し、各生存関数を調整することでノイズを滑らかにする。
数値実験により、SurvBESAは最先端モデルよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 1.88743314507114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival analysis predicts the time until an event of interest, such as failure or death, but faces challenges due to censored data, where some events remain unobserved. Ensemble-based models, like random survival forests and gradient boosting, are widely used but can produce unstable predictions due to variations in bootstrap samples. To address this, we propose SurvBESA (Survival Beran Estimators Self-Attended), a novel ensemble model that combines Beran estimators with a self-attention mechanism. Unlike traditional methods, SurvBESA applies self-attention to predicted survival functions, smoothing out noise by adjusting each survival function based on its similarity to neighboring survival functions. We also explore a special case using Huber's contamination model to define attention weights, simplifying training to a quadratic or linear optimization problem. Numerical experiments show that SurvBESA outperforms state-of-the-art models. The implementation of SurvBESA is publicly available.
- Abstract（参考訳）: 生存分析(Survival analysis)は、障害や死などの関心事まで予測するが、一部の事象が観測されないままの検閲データによる課題に直面している。
ランダムサバイバル森林や勾配上昇促進のようなアンサンブルベースのモデルが広く用いられているが、ブートストラップサンプルの変動による不安定な予測が可能である。
そこで本稿では,SurvBESA(Survival Beran Estimators Self-Attended)を提案する。
従来の方法とは異なり、SurvBESAは周囲の生存関数と類似性に基づいて各生存関数を調整することでノイズを緩和し、生存関数の予測に自己注意を適用する。
また、ハマーの汚染モデルを用いて、注意重みを定義し、二次的あるいは線形最適化問題へのトレーニングを単純化する特殊なケースについても検討する。
数値実験により、SurvBESAは最先端モデルよりも優れていることが示された。
SurvBESAの実装は一般公開されている。
関連論文リスト
- Rashomon perspective for measuring uncertainty in the survival predictive maintenance models [0.0]
航空機エンジンの残留実用寿命の予測は、航空宇宙や防衛といった高信頼性分野において重要な領域である。
従来の回帰モデルは検閲されたデータに苦しむため、バイアスのある予測につながる可能性がある。
一方、サバイバルモデルは、検閲されたデータを効果的に処理し、メンテナンスプロセスの予測精度を向上させる。
論文 参考訳（メタデータ） (2025-02-16T13:36:56Z) - 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) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - 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) - Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。
合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
論文 参考訳（メタデータ） (2023-06-20T21:51:13Z) - 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) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - 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) - Uncertainty Estimation in Cancer Survival Prediction [8.827764645115955]
生存モデルは、がん治療プロトコルの開発など、様々な分野で使用されている。
本稿では,より正確な生存予測を与えるだけでなく,生存不確実性をより正確に評価するバイーシアンフレームワークを提案する。
提案手法は,不確実性推定のための変分推論,非線形および時間変化リスクモデルの推定のためのニューラルマルチタスクロジスティック回帰,および高次元データを用いた作業に先立って追加の空間性誘導の組み合わせである。
論文 参考訳（メタデータ） (2020-03-19T05:08:01Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。