論文の概要: Efficient and scalable clustering of survival curves

• arxiv url: http://arxiv.org/abs/2512.16481v1
• Date: Thu, 18 Dec 2025 12:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.056533
• Title: Efficient and scalable clustering of survival curves
• Title（参考訳）: 生存曲線の効率的かつスケーラブルなクラスタリング
• Authors: Nora M. Villanueva, Marta Sestelo, Luis Meira-Machado,
• Abstract要約: 生存曲線のクラスタを特定する従来のアプローチは、しばしば計算集約的なブートストラップ技術に依存している。 そこで本研究では,k-means と log-rank テストを利用して,生存曲線を効率的に同定し,クラスタ化する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Survival analysis encompasses a broad range of methods for analyzing time-to-event data, with one key objective being the comparison of survival curves across groups. Traditional approaches for identifying clusters of survival curves often rely on computationally intensive bootstrap techniques to approximate the null hypothesis distribution. While effective, these methods impose significant computational burdens. In this work, we propose a novel approach that leverages the k-means and log-rank test to efficiently identify and cluster survival curves. Our method eliminates the need for computationally expensive resampling, significantly reducing processing time while maintaining statistical reliability. By systematically evaluating survival curves and determining optimal clusters, the proposed method ensures a practical and scalable alternative for large-scale survival data analysis. Through simulation studies, we demonstrate that our approach achieves results comparable to existing bootstrap-based clustering methods while dramatically improving computational efficiency. These findings suggest that the log-rank-based clustering procedure offers a viable and time-efficient solution for researchers working with multiple survival curves in medical and epidemiological studies.
• Abstract（参考訳）: 生存分析は、グループ間での生存曲線の比較を主目的とし、時間から時間までのデータを分析するための幅広い手法を含んでいる。 生存曲線のクラスタを同定するための伝統的なアプローチは、しばしば計算集約的なブートストラップ手法に頼り、ヌル仮説分布を近似する。 有効ではあるが、これらの手法は計算上のかなりの負担を課している。 そこで本研究では,k-means と log-rank テストを利用して,生存曲線を効率的に同定し,クラスタリングする手法を提案する。 本手法は,計算コストのかかる再サンプリングの必要性を排除し,統計的信頼性を維持しながら処理時間を著しく短縮する。 生存曲線を体系的に評価し,最適なクラスタを決定することにより,大規模生存データ解析のための実用的でスケーラブルな代替手段が確保される。 シミュレーション研究により,本手法は既存のブートストラップに基づくクラスタリング手法に匹敵する結果を得るとともに,計算効率を劇的に向上することを示した。 これらの結果から, ログランクに基づくクラスタリング法は, 医療・疫学研究において, 複数の生存曲線を扱う研究者にとって, 有効かつ時間効率のよいソリューションとなることが示唆された。

関連論文リスト

• A step towards the integration of machine learning and classic model-based survey methods [0.0]
  従来の調査における機械学習手法の使用は依然として非常に限られている。 本稿では,これらのアルゴリズムが支持する予測器を提案する。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Unsupervised feature selection via self-paced learning and low-redundant regularization [6.083524716031565]
  自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。 この手法の収束性は理論的および実験的に証明される。 実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-14T08:28:19Z)
• Online Bootstrap Inference For Policy Evaluation in Reinforcement Learning [90.59143158534849]
  近年の強化学習の出現は、頑健な統計的推論手法の需要を生み出している。 オンライン学習における統計的推論の既存の方法は、独立してサンプリングされた観察を含む設定に限られる。 オンラインブートストラップは線形近似アルゴリズムにおける統計的推測のための柔軟で効率的な手法であるが、マルコフノイズを含む設定における有効性はまだ検討されていない。
  論文  参考訳（メタデータ） (2021-08-08T18:26:35Z)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Effective Proximal Methods for Non-convex Non-smooth Regularized Learning [27.775096437736973]
  独立サンプリング方式は、一般に使用されている一様サンプリング方式の性能を向上させる傾向にあることを示す。 我々の新しい分析は、サンプリングの速度が今までで最高のものより速いことも示しています。
  論文  参考訳（メタデータ） (2020-09-14T16:41:32Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。