論文の概要: Soft decision trees for survival analysis

• arxiv url: http://arxiv.org/abs/2506.16846v2
• Date: Mon, 23 Jun 2025 12:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 12:48:19.15694
• Title: Soft decision trees for survival analysis
• Title（参考訳）: 生存分析のためのソフト決定木
• Authors: Antonio Consolo, Edoardo Amaldi, Emilio Carrizosa,
• Abstract要約: 本稿では,各分岐ノードにソフトスプリッティングルールを付加した新しい生存木モデル(SST)を提案する。 SSTとトレーニング定式化は、柔軟性と解釈可能性を組み合わせたものである。 SSTは4つの広く使用されている差別と校正の指標で3つのベンチマークサバイバルツリーを上回っている。
• 参考スコア（独自算出の注目度）: 2.1506382989223782
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Decision trees are popular in survival analysis for their interpretability and ability to model complex relationships. Survival trees, which predict the timing of singular events using censored historical data, are typically built through heuristic approaches. Recently, there has been growing interest in globally optimized trees, where the overall tree is trained by minimizing the error function over all its parameters. We propose a new soft survival tree model (SST), with a soft splitting rule at each branch node, trained via a nonlinear optimization formulation amenable to decomposition. Since SSTs provide for every input vector a specific survival function associated to a single leaf node, they satisfy the conditional computation property and inherit the related benefits. SST and the training formulation combine flexibility with interpretability: any smooth survival function (parametric, semiparametric, or nonparametric) estimated through maximum likelihood can be used, and each leaf node of an SST yields a cluster of distinct survival functions which are associated to the data points routed to it. Numerical experiments on 15 well-known datasets show that SSTs, with parametric and spline-based semiparametric survival functions, trained using an adaptation of the node-based decomposition algorithm proposed by Consolo et al. (2024) for soft regression trees, outperform three benchmark survival trees in terms of four widely-used discrimination and calibration measures. SSTs can also be extended to consider group fairness.
• Abstract（参考訳）: 決定木は、その解釈可能性と複雑な関係をモデル化する能力のために生存分析で人気がある。 検閲された歴史的データを用いて特異事象のタイミングを予測するサバイバルツリーは、典型的にはヒューリスティックなアプローチによって構築される。 近年、グローバルに最適化された木への関心が高まっており、全体の木は全てのパラメータのエラー関数を最小化することで訓練されている。 そこで本研究では,各分岐ノードにソフトスプリッティングルールを付加した新しい生存木モデル(SST)を提案する。 SSTは各入力ベクトルに対して単一の葉ノードに関連付けられた特定の生存関数を提供するため、条件付き計算特性を満足し、関連する利点を継承する。 SSTとトレーニングの定式化は、柔軟性と解釈可能性を組み合わせたもので、最大可算で推定される滑らかな生存関数(パラメトリック、セミパラメトリック、ノンパラメトリック)を使用でき、SSTの各葉ノードはそのデータポイントに関連付けられた異なる生存関数のクラスタを生成する。 パラメータおよびスプラインに基づく半パラメトリックサバイバル関数を持つSSTは、ソフトレグレッションツリーに対してConsolo et al (2024)によって提案されたノードベースの分解アルゴリズムを用いて訓練され、4つの広く使用されている識別と校正の指標で3つのベンチマークサバイバルツリーを上回っている。 SSTはグループフェアネスを考慮して拡張することもできる。

関連論文リスト

• Experiments with Optimal Model Trees [2.8391355909797644]
  我々は,世界規模で最適なモデル木が,非常に小さな木と競合する精度を達成できることを示した。 また、古典的最適かつ優雅に成長した決定木、ランダムな森林、およびサポートベクターマシンと比較した。
  論文  参考訳（メタデータ） (2025-03-17T08:03:47Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• A Powerful Random Forest Featuring Linear Extensions (RaFFLE) [1.2233362977312945]
  RaFFLEは、ランダムな森林アンサンブル内でPILOTツリーをベースラーナーとして統合する新しいフレームワークである。 PILOT木は、従来の決定木の計算効率と線形モデル木の柔軟性を組み合わせたものである。 RaFFLEは様々な回帰問題に対処するための汎用ツールであることが証明されている。
  論文  参考訳（メタデータ） (2025-02-14T14:22:51Z)
• Soft regression trees: a model variant and a decomposition training algorithm [0.24578723416255752]
  そこで本研究では,各入力ベクトルに対して,単一の葉ノードに関連付けられた線形回帰として定義する,ソフト多変量回帰木(SRT)の新たな変種を提案する。 SRTは条件付き計算特性、すなわち各予測は少数のノードに依存する。 15のよく知られたデータセットの実験により、従来のソフトレグレッションツリーと比較して、我々のSRTと分解アルゴリズムは高い精度とロバスト性が得られることが示された。
  論文  参考訳（メタデータ） (2025-01-10T13:06:36Z)
• Statistical Advantages of Oblique Randomized Decision Trees and Forests [0.0]
  リッジ関数のフレキシブル次元縮小モデルクラスに対して一般化誤差と収束率を求める。 軸方向のモンドリアン木のリスクに対する低い境界は、これらの線形次元減少モデルに対してこれらの推定値が最適であることを示す。
  論文  参考訳（メタデータ） (2024-07-02T17:35:22Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
  ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。 統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T01:57:35Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
  Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。 幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。 セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
  論文  参考訳（メタデータ） (2020-12-07T07:16:47Z)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)
• FREEtree: A Tree-based Approach for High Dimensional Longitudinal Data With Correlated Features [2.00191482700544]
  FREEtreeは高次元長手データと相関する特徴を持つ木に基づく手法である。 重み付き相関ネットワーク分析を用いて、まずそれらをクラスタリングすることで、特徴のネットワーク構造を利用する。 次に、各機能のクラスタ内でスクリーニングステップを実行し、残る機能の中から選択ステップを実行します。
  論文  参考訳（メタデータ） (2020-06-17T07:28:11Z)

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。