論文の概要: Survival Analysis as Imprecise Classification with Trainable Kernels

• arxiv url: http://arxiv.org/abs/2506.10140v1
• Date: Wed, 11 Jun 2025 19:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.417668
• Title: Survival Analysis as Imprecise Classification with Trainable Kernels
• Title（参考訳）: 訓練カーネルによる不正確な分類としての生存分析
• Authors: Andrei V. Konstantinov, Vlada A. Efremenko, Lev V. Utkin,
• Abstract要約: iSurvM、iSurvQ、iSurvJは、不正確な確率理論と注意機構を組み合わせてパラメトリック仮定なしで検閲されたデータを扱う。 合成および実データセットの実験により、提案されたモデルは、精度と計算複雑性の観点から、ベラン推定器を一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 2.2120851074630177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis is a fundamental tool for modeling time-to-event data in healthcare, engineering, and finance, where censored observations pose significant challenges. While traditional methods like the Beran estimator offer nonparametric solutions, they often struggle with the complex data structures and heavy censoring. This paper introduces three novel survival models, iSurvM (the imprecise Survival model based on Mean likelihood functions), iSurvQ (the imprecise Survival model based on the Quantiles of likelihood functions), and iSurvJ (the imprecise Survival model based on the Joint learning), that combine imprecise probability theory with attention mechanisms to handle censored data without parametric assumptions. The first idea behind the models is to represent censored observations by interval-valued probability distributions for each instance over time intervals between events moments. The second idea is to employ the kernel-based Nadaraya-Watson regression with trainable attention weights for computing the imprecise probability distribution over time intervals for the entire dataset. The third idea is to consider three decision strategies for training, which correspond to the proposed three models. Experiments on synthetic and real datasets demonstrate that the proposed models, especially iSurvJ, consistently outperform the Beran estimator from the accuracy and computational complexity points of view. Codes implementing the proposed models are publicly available.
• Abstract（参考訳）: 生存分析(Survival analysis)は、医療、工学、金融の時間から時間までのデータをモデリングするための基本的なツールである。 ベラン推定器のような従来の手法は非パラメトリックな解決策を提供するが、複雑なデータ構造や厳しい検閲に苦しむことが多い。 本稿では,iSurvM,iSurvQ,iSurvJ,iSurvJの3つの新しい生存モデルを紹介する。 モデルの背後にある最初のアイデアは、イベントモーメント間の時間間隔で各インスタンスの間隔値の確率分布によって検閲された観測を表現することである。 第2のアイデアは、カーネルベースのNadaraya-Watson回帰をトレーニング可能な注意重み付きで、データセット全体の時間間隔における不正確な確率分布を計算することである。 第3の考え方は、提案された3つのモデルに対応する、トレーニングのための3つの決定戦略を検討することである。 合成および実データセットの実験により、提案されたモデル、特にiSurvJは、精度と計算複雑性の観点から、ベラン推定器を一貫して上回っていることが示された。 提案されたモデルを実装するコードは公開されている。

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)
• 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)
• Generating Survival Interpretable Trajectories and Data [2.4861619769660637]
  本稿では,合成データセットと実データセットの数値実験を用いて,提案モデルの有効性と特性を実証する。 提案したモデルを実装するアルゴリズムのコードが公開されている。
  論文  参考訳（メタデータ） (2024-02-19T18:02:10Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• Performative Prediction with Neural Networks [24.880495520422]
  パフォーマンス予測は、予測するデータに影響を与えるモデルを学習するためのフレームワークである。 繰り返しリスク最小化法を用いて、性能的に安定な分類器を見つけるための標準収束結果は、データの分布がモデルのパラメータに連続であることを仮定する。 この研究では、データ分布はモデルの予測に関してリプシッツ連続であると仮定する。
  論文  参考訳（メタデータ） (2023-04-14T01:12:48Z)
• 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)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• 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)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。