Fugu-MT 論文翻訳(概要): End-Cut Preference in Survival Trees

論文の概要: End-Cut Preference in Survival Trees

arxiv url: http://arxiv.org/abs/2509.18477v1
Date: Mon, 22 Sep 2025 23:26:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-24 20:41:27.614717
Title: End-Cut Preference in Survival Trees
Title（参考訳）: 生存樹におけるエンドカット選好
Authors: Xiaogang Su,
Abstract要約: エンドカット選好(ECP)問題は、特徴範囲の境界付近のスプリットポイントを好む傾向を示すもので、CARTではよく知られている問題である。本稿では,ログランク検定統計値の最大化により,greedy search を用いて最適カットオフ点を選択する際に ECP が生じることを示す。そこで我々は,スムーズなシグモイド・サロゲート (SSS) アプローチを提案し,スムーズなシグモイド関数に置き換えた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The end-cut preference (ECP) problem, referring to the tendency to favor split points near the boundaries of a feature's range, is a well-known issue in CART (Breiman et al., 1984). ECP may induce highly imbalanced and biased splits, obscure weak signals, and lead to tree structures that are both unstable and difficult to interpret. For survival trees, we show that ECP also arises when using greedy search to select the optimal cutoff point by maximizing the log-rank test statistic. To address this issue, we propose a smooth sigmoid surrogate (SSS) approach, in which the hard-threshold indicator function is replaced by a smooth sigmoid function. We further demonstrate, both theoretically and through numerical illustrations, that SSS provides an effective remedy for mitigating or avoiding ECP.
Abstract（参考訳）: エンドカット選好(ECP)問題は、特徴範囲の境界付近の分割点を好む傾向を指し、CARTにおいてよく知られている問題である(Breiman et al , 1984)。 ECPは、高度に不均衡で偏りのある分割を誘発し、弱い信号があいまいになり、不安定で解釈が難しい木構造に繋がる。生存木に対しては,ログランク検定統計値の最大化により,greedy searchを用いて最適カットオフ点を選択する際にもECPが生じることを示す。この問題に対処するため,スムーズなシグモイド・サロゲート (SSS) アプローチを提案し,スムーズなシグモイド関数に置き換えた。さらに、理論上も数値上も、SSSはECPの緩和や回避に有効な治療法であることを示す。

関連論文リスト

Covariance-Driven Regression Trees: Reducing Overfitting in CART [30.06506470737739]
回帰木に対する共分散駆動分割基準(CovRT)を導入する。 CovRTは、CARTで使用される経験的リスク最小化基準よりも、過適合に対して堅牢である。シミュレーションと実世界の両方のタスクにおいて,CARTと比較して予測精度が優れていることがわかった。
論文参考訳（メタデータ） (2026-01-12T07:36:18Z)
ECPv2: Fast, Efficient, and Scalable Global Optimization of Lipschitz Functions [91.31596562378076]
ECPv2は、未知のリプシッツを持つリプシッツ連続関数のグローバル最適化のためのスケーラブルで理論的に基礎付けられたアルゴリズムである。 ECPv2は最適時間境界でECPのNo-Regret保証を保ち,これらの結果により受容領域を拡大することを示す。
論文参考訳（メタデータ） (2025-11-20T17:30:55Z)
Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
論文参考訳（メタデータ） (2025-10-14T17:23:44Z)
Schrödinger bridge for generative AI: Soft-constrained formulation and convergence analysis [6.584866740785309]
いわゆるソフト拘束型シュリンガー橋問題(SCSBP)について検討する。ペナルティが大きくなるにつれて、制御関数と値関数の両方が線形速度で古典的SBPのものと収束することが証明される。これらの結果から,ソフト拘束ブリッジの定量的収束保証が得られた。
論文参考訳（メタデータ） (2025-10-13T18:29:15Z)
On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
論文参考訳（メタデータ） (2024-12-27T20:29:47Z)
Clipped SGD Algorithms for Performative Prediction: Tight Bounds for Clipping Bias and Remedies [28.699424769503764]
本稿では,決定依存型データ分布を用いたクリッピング勾配降下法(SGD)アルゴリズムの収束性について検討する。我々は,SGDGDが安定解に達するのを防ぐクリッピング演算子によって生じるクリッピングバイアス(PCSGD)を特徴付ける。また,本解析は,後者のアルゴリズムが性能設定におけるクリッピングバイアスを含まないことを示すために拡張された。
論文参考訳（メタデータ） (2024-04-17T02:17:05Z)
Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
論文参考訳（メタデータ） (2023-11-24T17:56:44Z)
Nonconvex Stochastic Bregman Proximal Gradient Method with Application to Deep Learning [9.202586157819693]
非合成対象函数のロバスト性を最小化する二次法は、典型的には微分可能部分のリプシッツ滑らか性に依存する。本稿では適応性のみを考慮したBregman(SBPG)手法のファミリーを提案する。 MSBPGは運動量に基づく変種であり、ミニバッチサイズ要求を緩和することで収束感度を高める。
論文参考訳（メタデータ） (2023-06-26T08:54:46Z)
Differentially Private SGDA for Minimax Problems [83.57322009102973]
本研究は, 勾配勾配降下上昇(SGDA)が原始二重集団リスクの弱さの観点から最適に有効であることを示す。これは、非滑らかで強固なコンケーブ設定において、初めて知られている結果である。
論文参考訳（メタデータ） (2022-01-22T13:05:39Z)
Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
論文参考訳（メタデータ） (2021-06-30T18:32:46Z)
Robust Training in High Dimensions via Block Coordinate Geometric Median Descent [69.47594803719333]
幾何学的中央値 (textGm) は、未破損データのロバストな推定を達成するための統計学における古典的な方法である。本稿では,テキストscGmを一度に選択した座標ブロックにのみ適用することにより,スムーズな非テキスト問題に対して0.5の分解点を保持することができることを示す。
論文参考訳（メタデータ） (2021-06-16T15:55:50Z)
Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
マルコフ決定過程における純粋探索問題について検討する。エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
論文参考訳（メタデータ） (2021-06-05T09:16:28Z)
Towards Optimal Branching of Linear and Semidefinite Relaxations for Neural Network Robustness Certification [10.349616734896522]
本研究では,ReLUニューラルネットワークの逆入力摂動に対する堅牢性を検証する。入力不確実性集合を分割し,各部分の緩和を個別に解くために,分岐とバウンドのアプローチをとる。提案手法は緩和誤差を低減し,ReLUアクティベーションの性質を活かしたパーティションを用いてLP緩和を行うことによって完全に誤差を除去することを示す。
論文参考訳（メタデータ） (2021-01-22T19:36:40Z)

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。