論文の概要: Neural Diffusion Processes for Physically Interpretable Survival Prediction

• arxiv url: http://arxiv.org/abs/2510.00733v2
• Date: Thu, 02 Oct 2025 10:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.509046
• Title: Neural Diffusion Processes for Physically Interpretable Survival Prediction
• Title（参考訳）: 物理的に解釈可能な生存予測のための神経拡散過程
• Authors: Alessio Cristofoletto, Cesare Rollo, Giovanni Birolo, Piero Fariselli,
• Abstract要約: DeepFHTは、ディープニューラルネットワークとプロセス理論からの最初のヒット時間(FHT)分布を結合するサバイバル分析フレームワークである。 ニューラルネットワークは、入力変数を初期状態、ドリフト、拡散を含む物理的に意味のあるパラメータにマッピングする。 これにより、クローズドフォームの生存とハザード関数が得られ、比例ハザードを仮定することなく、時間変化のリスクを捕捉する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DeepFHT, a survival-analysis framework that couples deep neural networks with first hitting time (FHT) distributions from stochastic process theory. Time to event is represented as the first passage of a latent diffusion process to an absorbing boundary. A neural network maps input variables to physically meaningful parameters including initial condition, drift, and diffusion, within a chosen FHT process such as Brownian motion, both with drift and driftless. This yields closed-form survival and hazard functions and captures time-varying risk without assuming proportional-hazards. We compare DeepFHT with Cox survival model using synthetic and real-world datasets. The method achieves predictive accuracy on par with state-of-the-art approaches, while maintaining a physics-based interpretable parameterization that elucidates the relation between input features and risk. This combination of stochastic process theory and deep learning provides a principled avenue for modeling survival phenomena in complex systems.
• Abstract（参考訳）: 確率的プロセス理論から,ディープニューラルネットワークとFHT分布を結合した生存分析フレームワークであるDeepFHTを紹介する。 イベントへの時間は、吸収境界への潜伏拡散過程の第1の通路として表される。 ニューラルネットワークは、入力変数を初期状態、ドリフト、拡散を含む物理的に意味のあるパラメータに、ドリフトとドリフトレスの両方でブラウン運動のような選択されたFHTプロセス内にマッピングする。 これにより、クローズドフォームの生存とハザード関数が得られ、比例ハザードを仮定することなく、時間変化のリスクを捕捉する。 合成および実世界のデータセットを用いてDeepFHTとCoxサバイバルモデルを比較した。 本手法は、入力特徴とリスクの関係を解明する物理に基づく解釈可能なパラメータ化を維持しながら、最先端の手法と同等の予測精度を実現する。 この確率過程理論と深層学習の組み合わせは、複雑なシステムにおける生存現象をモデル化するための原則化された道のりを提供する。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• ICTSurF: Implicit Continuous-Time Survival Functions with Neural Networks [0.0]
  本研究はImplicit Continuous-Time Survival Function (ICTSurF)を紹介する。 ICTSurFは連続生存モデルに基づいて構築され、暗黙の表現を通して生存分布を構築する。 本手法は,ニューラルネットワークアーキテクチャに依存しない連続時間空間における入力を受信し,継続時間空間における生存確率を生成する。
  論文  参考訳（メタデータ） (2023-12-10T08:29:00Z)
• FG-NeRF: Flow-GAN based Probabilistic Neural Radiance Field for Independence-Assumption-Free Uncertainty Estimation [28.899779240902703]
  本研究では,Flow-GANに基づく独立推定自由確率的ニューラル放射場を提案する。 本手法は, 対向学習の生成能力と正規化フローの強力な表現性を組み合わせることで, シーンの密度-放射分布を明示的にモデル化する。 提案手法は,より低いレンダリング誤差と,合成データセットと実世界のデータセットの信頼性の高い不確実性を予測し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2023-09-28T12:05:08Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。