論文の概要: Reduction Techniques for Survival Analysis

• arxiv url: http://arxiv.org/abs/2508.05715v1
• Date: Thu, 07 Aug 2025 12:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.955019
• Title: Reduction Techniques for Survival Analysis
• Title（参考訳）: 生存分析の低減技術
• Authors: Johannes Piller, Léa Orsini, Simon Wiegrebe, John Zobolas, Lukas Burk, Sophie Hanna Langbein, Philip Studener, Markus Goeswein, Andreas Bender,
• Abstract要約: 本稿では,異なる還元技術の概要と,それぞれの長所と短所について論じる。 私たちは、標準的な機械学習で直接利用できるような、これらの削減のいくつかを原則として実装しています。 専用例を用いて各リダクションを例示し、その予測性能と、サバイバル分析のための確立した機械学習手法を比較するベンチマーク分析を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we discuss what we refer to as reduction techniques for survival analysis, that is, techniques that "reduce" a survival task to a more common regression or classification task, without ignoring the specifics of survival data. Such techniques particularly facilitate machine learning-based survival analysis, as they allow for applying standard tools from machine and deep learning to many survival tasks without requiring custom learners. We provide an overview of different reduction techniques and discuss their respective strengths and weaknesses. We also provide a principled implementation of some of these reductions, such that they are directly available within standard machine learning workflows. We illustrate each reduction using dedicated examples and perform a benchmark analysis that compares their predictive performance to established machine learning methods for survival analysis.
• Abstract（参考訳）: 本研究では、生存データの詳細を無視することなく、生存タスクをより一般的な回帰や分類タスクに「還元」する手法について論じる。 このような技術は、機械学習に基づく生存分析を特に促進し、機械学習とディープラーニングの標準ツールを、カスタム学習者を必要とすることなく、多くの生存タスクに適用できるようにする。 本稿では,異なる還元技術の概要と,それぞれの長所と短所について論じる。 また、標準的な機械学習ワークフローで直接利用できるように、これらの削減のいくつかを原則として実装しています。 専用例を用いて各リダクションを例示し、その予測性能と、サバイバル分析のための確立した機械学習手法を比較したベンチマーク分析を行う。

関連論文リスト

• A Review of Machine Learning Methods Applied to Video Analysis Systems [3.518774226658318]
  本稿では,ビデオ解析のための機械学習技術の開発について調査する。 本稿では,ビデオ分析における自己教師型学習,半教師型学習,アクティブ学習,ゼロショット学習の開発の概要について述べる。
  論文  参考訳（メタデータ） (2023-12-08T20:24:03Z)
• Reinterpreting survival analysis in the universal approximator age [0.0]
  生存分析が分類や回帰とどのように結びつくかについて議論する。 我々は、新しい損失関数、評価指標、および数値積分を伴わずに生存曲線を確実に生成する最初の普遍近似ネットワークを提供する。 本研究では, 損失関数とモデルが, 大規模数値解析により他の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） (2023-07-25T15:33:38Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• An Empirical Investigation of the Role of Pre-training in Lifelong Learning [21.995593026269578]
  複数のタスクを逐次学習する際の破滅的忘れの影響を,ジェネリック事前学習が暗黙的に軽減することを示す。 本研究では、この現象を損失景観を解析し、トレーニング済みの重みがより広いミニマへと導くことで忘れやすいように見えることを明らかにする。
  論文  参考訳（メタデータ） (2021-12-16T19:00:55Z)
• Learning an Explicit Hyperparameter Prediction Function Conditioned on Tasks [62.63852372239708]
  メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。 我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。 このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
  論文  参考訳（メタデータ） (2021-07-06T04:05:08Z)
• Individual Explanations in Machine Learning Models: A Case Study on Poverty Estimation [63.18666008322476]
  機械学習の手法は、敏感な社会的文脈でますます適用されつつある。 本研究の主な目的は2つある。 まず、これらの課題を公開し、関連性のある新しい説明方法の使用にどのように影響するか。 次に、関連するアプリケーションドメインで説明メソッドを実装する際に直面するような課題を軽減する一連の戦略を提示します。
  論文  参考訳（メタデータ） (2021-04-09T01:54:58Z)
• Conditional Meta-Learning of Linear Representations [57.90025697492041]
  表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。 本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。 この利点を実用的に活用できるメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T12:02:14Z)
• A General Machine Learning Framework for Survival Analysis [0.8029049649310213]
  生存分析のための機械学習手法の多くは、正しい検閲されたデータと比例的ハザード仮定による標準設定のみを考慮する。 我々は,データ拡張戦略を用いて,複雑な生存タスクを標準的なポアソン回帰タスクに還元する,時間対イベント分析のための非常に一般的な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-27T20:57:18Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。