論文の概要: TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates

• arxiv url: http://arxiv.org/abs/2512.18129v1
• Date: Fri, 19 Dec 2025 23:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.200256
• Title: TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates
• Title（参考訳）: TraCeR: 経時的共変量を用いたトランスフォーマーによる競合リスク分析
• Authors: Maxmillan Ries, Sohan Seth,
• Abstract要約: TraCeRはトランスフォーマーベースの生存分析フレームワークである。 一連の測定結果からハザード関数を推定する。 複数の実世界のデータセットの実験は、実質的で統計的に重要なパフォーマンス改善を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is a critical tool for modeling time-to-event data. Recent deep learning-based models have reduced various modeling assumptions including proportional hazard and linearity. However, a persistent challenge remains in incorporating longitudinal covariates, with prior work largely focusing on cross-sectional features, and in assessing calibration of these models, with research primarily focusing on discrimination during evaluation. We introduce TraCeR, a transformer-based survival analysis framework for incorporating longitudinal covariates. Based on a factorized self-attention architecture, TraCeR estimates the hazard function from a sequence of measurements, naturally capturing temporal covariate interactions without assumptions about the underlying data-generating process. The framework is inherently designed to handle censored data and competing events. Experiments on multiple real-world datasets demonstrate that TraCeR achieves substantial and statistically significant performance improvements over state-of-the-art methods. Furthermore, our evaluation extends beyond discrimination metrics and assesses model calibration, addressing a key oversight in literature.
• Abstract（参考訳）: 生存分析(Survival analysis)は、時間から時間までのデータをモデリングするための重要なツールである。 最近のディープラーニングモデルでは、比例的ハザードや線形性を含む様々なモデリング仮定が減少している。 しかし、従来の研究は主に断面的特徴に焦点をあて、これらのモデルの校正を評価することや、主に評価中の識別に焦点をあてる研究など、縦方向の共変量を取り込むことに永続的な課題が残されている。 縦長共変体を組み込むための変圧器を用いた生存分析フレームワークであるTraCeRを紹介する。 TraCeRは、因子化された自己注意アーキテクチャに基づいて、一連の測定からハザード関数を推定し、基礎となるデータ生成プロセスに関する仮定なしで時間的共変量相互作用を自然にキャプチャする。 このフレームワークは本質的に、検閲されたデータと競合するイベントを扱うように設計されている。 複数の実世界のデータセットの実験により、TrCeRは最先端の手法よりも実質的で統計的に重要なパフォーマンス改善を実現している。 さらに、本評価は、識別基準を超えて、モデルキャリブレーションを評価し、文献における重要な監視に対処する。

関連論文リスト

• Learning Causality for Longitudinal Data [1.2691047660244335]
  この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。 最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。 第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。 第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
  論文  参考訳（メタデータ） (2025-12-04T16:51:49Z)
• ARISE: An Adaptive Resolution-Aware Metric for Test-Time Scaling Evaluation in Large Reasoning Models [102.4511331368587]
  ARISE(Adaptive Resolution-Aware Scaling Evaluation)は、大規模推論モデルの試験時間スケーリングの有効性を評価するために設計された新しい尺度である。 我々は、様々な領域にわたる最先端の推論モデルを評価する包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-07T15:10:51Z)
• Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation [13.108896747775063]
  本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
  論文  参考訳（メタデータ） (2025-09-29T18:33:00Z)
• 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)
• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• Learning Massive-scale Partial Correlation Networks in Clinical Multi-omics Studies with HP-ACCORD [9.759451770552284]
  マルチオミクスデータ解析のための新しい擬似類似性に基づくグラフィカル・モデル・フレームワークを提案する。 提案した推定器は,高次元仮定下での様々な指標における推定と選択の整合性を維持する。 最大100万変数のシミュレーションデータを用いて,本フレームワークの高性能コンピューティング実装を検証した。
  論文  参考訳（メタデータ） (2024-12-16T08:38:02Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)

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。