論文の概要: Flexible Deep Neural Networks for Partially Linear Survival Data

• arxiv url: http://arxiv.org/abs/2512.10570v1
• Date: Thu, 11 Dec 2025 11:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.349238
• Title: Flexible Deep Neural Networks for Partially Linear Survival Data
• Title（参考訳）: 部分線形生存データのためのフレキシブルディープニューラルネットワーク
• Authors: Asaf Ben Arie, Malka Gorfine,
• Abstract要約: 部分線形回帰構造内の生存データをモデル化するためのフレキシブルディープニューラルネットワーク(DNN)フレームワークを提案する。 この手法をFLEXI-Haz, 部分的に線形構造を持つフレキシブルハザードモデルと呼ぶ。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a flexible deep neural network (DNN) framework for modeling survival data within a partially linear regression structure. The approach preserves interpretability through a parametric linear component for covariates of primary interest, while a nonparametric DNN component captures complex time-covariate interactions among nuisance variables. We refer to the method as FLEXI-Haz, a flexible hazard model with a partially linear structure. In contrast to existing DNN approaches for partially linear Cox models, FLEXI-Haz does not rely on the proportional hazards assumption. We establish theoretical guarantees: the neural network component attains minimax-optimal convergence rates based on composite Holder classes, and the linear estimator is root-n consistent, asymptotically normal, and semiparametrically efficient. Extensive simulations and real-data analyses demonstrate that FLEXI-Haz provides accurate estimation of the linear effect, offering a principled and interpretable alternative to modern methods based on proportional hazards. Code for implementing FLEXI-Haz, as well as scripts for reproducing data analyses and simulations, is available at: https://github.com/AsafBanana/FLEXI-Haz
• Abstract（参考訳）: 部分線形回帰構造内の生存データをモデル化するためのフレキシブルディープニューラルネットワーク(DNN)フレームワークを提案する。 非パラメトリックDNNコンポーネントは、ニュアンス変数間の複雑な時間-共変量相互作用をキャプチャする。 この手法をFLEXI-Haz, 部分的に線形構造を持つフレキシブルハザードモデルと呼ぶ。 部分的に線形な Cox モデルに対する既存の DNN アプローチとは対照的に、FLEXI-Haz は比例的ハザードの仮定に依存しない。 ニューラルネットワークコンポーネントは、合成ホルダークラスに基づく最小最適収束率を実現し、線形推定器はルート-n整合性、漸近的正規性、半パラメトリック的効率である。 大規模シミュレーションと実データ解析により、FLEXI-Hazは線形効果を正確に推定し、比例的ハザードに基づく現代の方法に対する原則的で解釈可能な代替手段を提供することを示した。 FLEXI-Hazの実装コードとデータ解析とシミュレーションを再現するスクリプトは、https://github.com/AsafBanana/FLEXI-Hazで公開されている。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
  間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。 本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。 我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
  論文  参考訳（メタデータ） (2025-03-25T15:27:32Z)
• Deep Partially Linear Transformation Model for Right-Censored Survival Data [6.315323176162257]
  本稿では, 汎用かつ柔軟な回帰フレームワークとして, 深部部分線形変換モデル(DPLTM)を提案する。 提案手法は, 興味あるコセンサーの解釈可能性を維持しつつ, 次元の呪いを避けることができる。 総合シミュレーション研究は,提案手法の精度と予測力の両面から,優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-12-10T15:50:43Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Linear Iterative Feature Embedding: An Ensemble Framework for Interpretable Model [6.383006473302968]
  線形反復特徴埋め込み(LIFE)と呼ばれる解釈可能なモデルのための新しいアンサンブルフレームワークを開発した。 LIFEは、広い一層ニューラルネットワーク(NN)を正確に3つのステップに適合させることができる。 LIFEは直接訓練された単層NNを一貫して上回り、また他の多くのベンチマークモデルより上です。
  論文  参考訳（メタデータ） (2021-03-18T02:01:17Z)
• Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve Optimism, Embrace Virtual Curvature [61.22680308681648]
  決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。 非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:41:56Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Measuring Model Complexity of Neural Networks with Curve Activation Functions [100.98319505253797]
  本稿では,線形近似ニューラルネットワーク(LANN)を提案する。 ニューラルネットワークのトレーニングプロセスを実験的に検討し、オーバーフィッティングを検出する。 我々は、$L1$と$L2$正規化がモデルの複雑さの増加を抑制することを発見した。
  論文  参考訳（メタデータ） (2020-06-16T07:38:06Z)

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。