Fugu-MT 論文翻訳(概要): The C-index Multiverse

論文の概要: The C-index Multiverse

arxiv url: http://arxiv.org/abs/2508.14821v1
Date: Wed, 20 Aug 2025 16:11:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-21 16:52:41.522155
Title: The C-index Multiverse
Title（参考訳）: C-index Multiverse
Authors: Begoña B. Sierra, Colin McLean, Peter S. Hall, Catalina A. Vallejos,
Abstract要約: タイム・ツー・エフェクトの結果に対するサンプル外識別性能の定量化は、モデル評価と選択の基本的なステップである。利用可能な R および python ソフトウェアの間に C-index マルチバースが存在することを示す。この記事では、マルチバースをナビゲートする際にアナリストを助け、統一されたドキュメンテーションを提供し、既存のソフトウェアの潜在的な落とし穴を強調します。
参考スコア（独自算出の注目度）: 0.5874782446136916
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantifying out-of-sample discrimination performance for time-to-event outcomes is a fundamental step for model evaluation and selection in the context of predictive modelling. The concordance index, or C-index, is a widely used metric for this purpose, particularly with the growing development of machine learning methods. Beyond differences between proposed C-index estimators (e.g. Harrell's, Uno's and Antolini's), we demonstrate the existence of a C-index multiverse among available R and python software, where seemingly equal implementations can yield different results. This can undermine reproducibility and complicate fair comparisons across models and studies. Key variation sources include tie handling and adjustment to censoring. Additionally, the absence of a standardised approach to summarise risk from survival distributions, result in another source of variation dependent on input types. We demonstrate the consequences of the C-index multiverse when quantifying predictive performance for several survival models (from Cox proportional hazards to recent deep learning approaches) on publicly available breast cancer data, and semi-synthetic examples. Our work emphasises the need for better reporting to improve transparency and reproducibility. This article aims to be a useful guideline, helping analysts when navigating the multiverse, providing unified documentation and highlighting potential pitfalls of existing software. All code is publicly available at: www.github.com/BBolosSierra/CindexMultiverse.
Abstract（参考訳）: タイム・ツー・エグゼクティブな結果に対するアウト・オブ・サンプルの識別性能の定量化は、予測モデリングの文脈におけるモデル評価と選択の基本的なステップである。 Concordance Index(Cインデックス)は、特に機械学習手法の発展に伴って、この目的のために広く使われている指標である。提案されたC-インデックス推定器(例えば、Harrell's, Uno's, Antolini's)の違い以外にも、利用可能なRとピソンソフトウェアの間にC-インデックス多重バースが存在することを示す。これは再現性を損なう可能性があり、モデルや研究間での公正な比較を複雑にする。主な変化源は、タイハンドリングと検閲の調整である。さらに、サバイバル分布からリスクを要約するための標準化されたアプローチが存在しないため、入力タイプに依存する別の変化源が生まれる。 C-index multiverseは,Cox比例ハザードから近年の深層学習アプローチに至るまで,いくつかの生存モデルに対する予測性能の定量化に有効であることを示す。私たちの仕事は、透明性と再現性を改善するためのより良いレポートの必要性を強調しています。この記事では、マルチバースをナビゲートする際にアナリストを助け、統一されたドキュメンテーションを提供し、既存のソフトウェアの潜在的な落とし穴を強調します。すべてのコードは、www.github.com/BBolosSierra/CindexMultiverseで公開されている。

関連論文リスト

cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
論文参考訳（メタデータ） (2024-07-16T07:28:39Z)
Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文参考訳（メタデータ） (2023-12-03T05:52:30Z)
Probabilistic Precision and Recall Towards Reliable Evaluation of Generative Models [7.770029179741429]
問題に対処する確率論的アプローチに基づいて,P-precision and P-recall (PP&PR)を提案する。我々のPP&PRは、既存の指標よりも忠実度と多様性を比較するための信頼性の高い見積もりを提供することを示す。
論文参考訳（メタデータ） (2023-09-04T13:19:17Z)
Diffsurv: Differentiable sorting for censored time-to-event data [0.3303008003874494]
現在、生存分析における最も一般的なアプローチは、コックスの部分的可能性に基づいている。我々は、検閲されたタスクを処理するためのDiffsurvと呼ばれる新しい手法を提案する。実験の結果,Diffsurvは様々なシミュレーションおよび実世界のリスク予測シナリオにおいて,ベースラインの確立に優れていた。
論文参考訳（メタデータ） (2023-04-26T14:42:31Z)
Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。本手法は,検索性能の最先端手法を3%～6%向上させる。
論文参考訳（メタデータ） (2022-11-29T14:52:38Z)
The Concordance Index decomposition: A measure for a deeper understanding of survival prediction models [3.186455928607442]
Concordance Index (C-index) は、予測モデルの性能を評価するためにサバイバル分析で一般的に用いられる指標である。そこで本研究では,C-インデックスを2種類の重み付き調和平均値に分解する手法を提案する。
論文参考訳（メタデータ） (2022-02-28T23:50:47Z)
Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文参考訳（メタデータ） (2021-06-07T17:44:49Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)
Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
論文参考訳（メタデータ） (2020-01-30T16:58:56Z)
AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。