論文の概要: Exploring Cumulative Effects in Survival Data Using Deep Learning Networks

• arxiv url: http://arxiv.org/abs/2512.23764v1
• Date: Mon, 29 Dec 2025 00:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.148562
• Title: Exploring Cumulative Effects in Survival Data Using Deep Learning Networks
• Title（参考訳）: ディープラーニングネットワークを用いた生存データにおける累積効果の探索
• Authors: Kang-Chung Yang, Shinsheng Yuan,
• Abstract要約: 我々は、時間依存データから動的リスク関係をキャプチャする、新しいディープラーニングアプローチであるCENNSurvを紹介する。 CENNSurvは、慢性的な環境曝露と致命的な生存率と、サブスクリプションの経過前に重要な短期的行動変化とを多年にわたって関連づけた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In epidemiological research, modeling the cumulative effects of time-dependent exposures on survival outcomes presents a challenge due to their intricate temporal dynamics. Conventional spline-based statistical methods, though effective, require repeated data transformation for each spline parameter tuning, with survival analysis computations relying on the entire dataset, posing difficulties for large datasets. Meanwhile, existing neural network-based survival analysis methods focus on accuracy but often overlook the interpretability of cumulative exposure patterns. To bridge this gap, we introduce CENNSurv, a novel deep learning approach that captures dynamic risk relationships from time-dependent data. Evaluated on two diverse real-world datasets, CENNSurv revealed a multi-year lagged association between chronic environmental exposure and a critical survival outcome, as well as a critical short-term behavioral shift prior to subscription lapse. This demonstrates CENNSurv's ability to model complex temporal patterns with improved scalability. CENNSurv provides researchers studying cumulative effects a practical tool with interpretable insights.
• Abstract（参考訳）: 疫学研究において、時間依存曝露による生存結果の累積効果をモデル化することは、その複雑な時間的ダイナミクスのために課題となる。 従来のスプラインベース統計手法は有効ではあるが、スプラインパラメータチューニング毎に繰り返しデータ変換が必要であり、サバイバル分析計算はデータセット全体に依存するため、大規模なデータセットでは困難である。 一方、既存のニューラルネットワークベースの生存分析手法は精度に重点を置いているが、累積露光パターンの解釈可能性を見落としていることが多い。 このギャップを埋めるために、時間依存データから動的リスク関係をキャプチャする新しいディープラーニングアプローチであるCENNSurvを導入する。 CENNSurvは2つの異なる実世界のデータセットから評価され、慢性的な環境曝露と致命的な生存率と、サブスクリプションの経過前に重要な短期的な行動変化との関連性を明らかにした。 これはCENNSurvが拡張性を改善して複雑な時間パターンをモデル化する能力を示している。 CENNSurvは、累積効果を研究する研究者に、解釈可能な洞察を持つ実用的なツールを提供する。

関連論文リスト

• 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)
• 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)
• 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)
• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning [35.119957381211236]
  我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。 COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-01T22:38:14Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)

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。