論文の概要: Enhanced Survival Trees

• arxiv url: http://arxiv.org/abs/2509.18494v1
• Date: Tue, 23 Sep 2025 00:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.625181
• Title: Enhanced Survival Trees
• Title（参考訳）: 強化された生存木
• Authors: Ruiwen Zhou, Ke Xie, Lei Liu, Zhichen Xu, Jimin Ding, Xiaogang Su,
• Abstract要約: 本稿では,従来の3つの重要な進歩を取り入れた,検閲された故障時間データに対するサバイバルツリー手法を提案する。 まず、エンドカット選好問題を効果的に緩和する、より計算効率の良い分割手順を開発する。 第2に,融解正規化による木構造決定のための新しい枠組みを提案する。 第三に、最終木で同定された部分群の中で、中央生存時間に対して有効な信頼区間を構築することにより、推論に対処する。
• 参考スコア（独自算出の注目度）: 5.176259250675077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new survival tree method for censored failure time data that incorporates three key advancements over traditional approaches. First, we develop a more computationally efficient splitting procedure that effectively mitigates the end-cut preference problem, and we propose an intersected validation strategy to reduce the variable selection bias inherent in greedy searches. Second, we present a novel framework for determining tree structures through fused regularization. In combination with conventional pruning, this approach enables the merging of non-adjacent terminal nodes, producing more parsimonious and interpretable models. Third, we address inference by constructing valid confidence intervals for median survival times within the subgroups identified by the final tree. To achieve this, we apply bootstrap-based bias correction to standard errors. The proposed method is assessed through extensive simulation studies and illustrated with data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) study.
• Abstract（参考訳）: 本稿では,従来の3つの重要な進歩を取り入れた,検閲された故障時間データに対するサバイバルツリー手法を提案する。 まず, より計算効率のよい分割手法を開発し, 提案手法は, 難解な探索に係わる変数選択バイアスを低減するために, 効果的にエンドカット選好問題を緩和するものである。 第2に,融解正規化による木構造決定のための新しい枠組みを提案する。 従来のプルーニングと組み合わせて、非隣接終端ノードのマージを可能にし、よりパーシモーズで解釈可能なモデルを生成する。 第三に、最終木で同定された部分群の中で、中央生存時間に対して有効な信頼区間を構築することにより、推論に対処する。 これを実現するために、ブートストラップに基づくバイアス補正を標準誤差に適用する。 提案手法は広範囲なシミュレーション研究を通じて評価され、アルツハイマー病神経画像イニシアチブ(ADNI)研究のデータとともに説明される。

関連論文リスト

• FedGA-Tree: Federated Decision Tree using Genetic Algorithm [11.955062839855334]
  遺伝的アルゴリズムを導入し、パーソナライズされた決定木の構築を容易にする。 本手法は,ローカルデータとベンチマークアルゴリズムのみで訓練された決定木を超越した手法である。
  論文  参考訳（メタデータ） (2025-06-09T19:39:22Z)
• 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)
• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Era Splitting: Invariant Learning for Decision Trees [0.0]
  実生活における機械学習の問題は、ある時間から別の時間、あるいはある場所から別の場所へのデータの分散シフトを示す。 アウト・オブ・ディストリビューションの一般化の新たな分野は、新しい理論とアルゴリズムによってこの現実に対処する。 決定木に対する2つの新たな分割基準を開発し,OOD一般化研究のアイデアを決定木モデルに適用する。
  論文  参考訳（メタデータ） (2023-09-25T19:45:45Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)

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。

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。