論文の概要: Dual Mixture-of-Experts Framework for Discrete-Time Survival Analysis

• arxiv url: http://arxiv.org/abs/2510.26014v1
• Date: Wed, 29 Oct 2025 23:11:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.599205
• Title: Dual Mixture-of-Experts Framework for Discrete-Time Survival Analysis
• Title（参考訳）: 離散時間生存分析のためのDual Mixture-of-Experts Framework
• Authors: Hyeonjun Lee, Hyungseob Shin, Gunhee Nam, Hyeonsoo Lee,
• Abstract要約: 離散時間生存分析のための混合実験(MoE)フレームワークを提案する。 提案手法は,サブグループ認識表現学習のための特徴エンコーダMoEとハザードMoEを組み合わせたものである。 MeTABRIC と GBSG の乳がんデータセットにおいて,本手法は一貫してパフォーマンスを向上する。
• 参考スコア（独自算出の注目度）: 3.466900599881846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis is a task to model the time until an event of interest occurs, widely used in clinical and biomedical research. A key challenge is to model patient heterogeneity while also adapting risk predictions to both individual characteristics and temporal dynamics. We propose a dual mixture-of-experts (MoE) framework for discrete-time survival analysis. Our approach combines a feature-encoder MoE for subgroup-aware representation learning with a hazard MoE that leverages patient features and time embeddings to capture temporal dynamics. This dual-MoE design flexibly integrates with existing deep learning based survival pipelines. On METABRIC and GBSG breast cancer datasets, our method consistently improves performance, boosting the time-dependent C-index up to 0.04 on the test sets, and yields further gains when incorporated into the Consurv framework.
• Abstract（参考訳）: 生存分析(Survival analysis)は、関心事が起こるまでの時間をモデル化するタスクであり、臨床および生医学研究で広く用いられている。 鍵となる課題は、患者の不均一性をモデル化し、個々の特性と時間的ダイナミクスの両方にリスク予測を適用することである。 離散時間生存分析のための混合実験(MoE)フレームワークを提案する。 提案手法は,サブグループ認識表現学習のための特徴エンコーダMoEと,患者の特徴と時間埋め込みを利用して時間的ダイナミクスを捉えるハザードMoEを組み合わせる。 このデュアルMoE設計は、既存のディープラーニングベースのサバイバルパイプラインと柔軟に統合できる。 MeTABRIC と GBSG の乳がんデータセットでは,テストセット上で時間依存の C-インデックスを 0.04 まで増加させ,Consurv フレームワークに組み込むとさらに向上する。

関連論文リスト

• SigBERT: Combining Narrative Medical Reports and Rough Path Signature Theory for Survival Risk Estimation in Oncology [1.5425688173297465]
  SigBERTは、患者1人当たりの多数の臨床報告を処理するために設計された、革新的な時間的生存分析フレームワークである。 文章埋め込みに単語埋め込みを抽出し平均化することにより、タイムスタンプ化された医療報告を処理する。 これは、L'eon B'erard Center corpusの実際の腫瘍学データセットで訓練され、独立したテストコホート上でのC-インデックススコア0.75(sd 0.014)で評価された。
  論文  参考訳（メタデータ） (2025-07-25T12:33:25Z)
• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• Multi-Modal Mamba Modeling for Survival Prediction (M4Survive): Adapting Joint Foundation Model Representations [0.6990493129893112]
  M4Surviveは、効率的なアダプタネットワークを用いて、共同基盤モデル表現を学習する新しいフレームワークである。 Mambaベースのアダプタを利用することで、M4Surviveは計算効率を保ちながら効率的なマルチモーダル学習を可能にする。 この研究は、精度オンコロジーと予測分析の進歩における基礎モデル駆動型マルチモーダル融合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-03-13T05:18:32Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Clustering Survival Data using a Mixture of Non-parametric Experts [0.0]
  本研究では,クラスタリングと生存関数予測を統合した生存解析アルゴリズムであるSurvMixClustを紹介する。 5つの公開データセットで評価したところ、SurvMixClustは、異なる生存曲線を持つバランスの取れたクラスタを生成し、クラスタリングベースラインを上回り、予測精度で非クラスタリングサバイバルモデルと競合することがわかった。
  論文  参考訳（メタデータ） (2024-05-24T20:47:58Z)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。