論文の概要: WTNN: Weibull-Tailored Neural Networks for survival analysis
- arxiv url: http://arxiv.org/abs/2512.09163v1
- Date: Tue, 09 Dec 2025 22:20:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.334931
- Title: WTNN: Weibull-Tailored Neural Networks for survival analysis
- Title（参考訳）: WTNN:Weibull-Tailored Neural Networks for survival analysis
- Authors: Gabrielle Rives, Olivier Lopez, Nicolas Bousquet,
- Abstract要約: 本稿では,Weibullサバイバル研究に特化して設計された新しいニューラルネットワークベースモデリングフレームワークWTNNを紹介する。
提案手法は,プロキシおよび右検閲データに基づいて確実にトレーニング可能であり,頑健かつ解釈可能な生存予測を生成可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Weibull distribution is a commonly adopted choice for modeling the survival of systems subject to maintenance over time. When only proxy indicators and censored observations are available, it becomes necessary to express the distribution's parameters as functions of time-dependent covariates. Deep neural networks provide the flexibility needed to learn complex relationships between these covariates and operational lifetime, thereby extending the capabilities of traditional regression-based models. Motivated by the analysis of a fleet of military vehicles operating in highly variable and demanding environments, as well as by the limitations observed in existing methodologies, this paper introduces WTNN, a new neural network-based modeling framework specifically designed for Weibull survival studies. The proposed architecture is specifically designed to incorporate qualitative prior knowledge regarding the most influential covariates, in a manner consistent with the shape and structure of the Weibull distribution. Through numerical experiments, we show that this approach can be reliably trained on proxy and right-censored data, and is capable of producing robust and interpretable survival predictions that can improve existing approaches.
- Abstract（参考訳）: ワイブル分布は、時間とともに維持されるシステムの生存をモデル化するための一般的な選択である。
プロキシインジケータと検閲された観測しか利用できない場合、時間依存共変量の関数として分布のパラメータを表現する必要がある。
ディープニューラルネットワークは、これらの共変量と運用寿命の間の複雑な関係を学習するために必要な柔軟性を提供する。
本稿では,Weibullサバイバル研究に特化して設計されたニューラルネットワークに基づくモデリングフレームワークWTNNを紹介する。
提案したアーキテクチャは、Weibull分布の形状と構造に整合した方法で、最も影響力のある共変量に関する定性的事前知識を組み込むように設計されている。
数値実験により、この手法はプロキシと右検閲データに基づいて確実に訓練でき、既存の手法を改善するための頑健で解釈可能な生存予測を生成することができることを示す。
関連論文リスト
- Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
Subset-Selected Counterfactual Augmentation (SS-CA)
我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。
実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-15T08:39:22Z) - Strategic Opponent Modeling with Graph Neural Networks, Deep Reinforcement Learning and Probabilistic Topic Modeling [2.233215416354843]
本稿では,主にグラフニューラルネットワーク,深層強化学習,確率論的トピックモデリング手法について概説する。
我々は、現実世界のアプリケーションケースで非常によく見られる2つの特徴である不確実性と不均一性を扱う能力を分析します。
特定のオープンな課題、特に非定常環境に適合する必要性を特定します。
論文 参考訳（メタデータ） (2025-11-13T17:06:56Z) - Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。
中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。
本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文 参考訳（メタデータ） (2025-07-09T20:09:00Z) - FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models [0.0]
本研究は,新しいグラフニューラルネットワークアーキテクチャであるFeature-specific Interpretable Graph Neural Network (FIGNN)を提案する。
FIGNNは、科学的応用において非構造化グリッド上で定義されたディープラーニングサロゲートモデルの解釈可能性を高めるように設計されている。
論文 参考訳（メタデータ） (2025-06-13T01:45:37Z) - Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。
ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。
このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
論文 参考訳（メタデータ） (2025-04-30T06:19:37Z) - Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。
本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。
クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
論文 参考訳（メタデータ） (2023-11-04T19:40:16Z) - Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。
我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
論文 参考訳（メタデータ） (2023-01-16T14:25:02Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - 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) - Semi-Structured Distributional Regression -- Extending Structured
Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。
数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
論文 参考訳（メタデータ） (2020-02-13T21:01:26Z)
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。