論文の概要: Tabular Foundation Models Can Do Survival Analysis

• arxiv url: http://arxiv.org/abs/2601.22259v1
• Date: Thu, 29 Jan 2026 19:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.029969
• Title: Tabular Foundation Models Can Do Survival Analysis
• Title（参考訳）: タブラルファウンデーションモデルでは生存分析が可能
• Authors: Da In Kim, Wei Siang Lai, Kelly W. Zhang,
• Abstract要約: 静的および動的生存分析の両方を再構成する分類に基づくフレームワークを開発する。 補償された観測は、ある時点のラベルが欠けている例として、自然に扱われる。 標準的な検閲仮定の下では、バイナリ分類損失を最小限に抑えることで、トレーニングセットのサイズが大きくなるにつれて、真の生存確率が回復することを示す。
• 参考スコア（独自算出の注目度）: 2.9749358564564368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While tabular foundation models have achieved remarkable success in classification and regression, adapting them to model time-to-event outcomes for survival analysis is non-trivial due to right-censoring, where data observations may end before the event occurs. We develop a classification-based framework that reformulates both static and dynamic survival analysis as a series of binary classification problems by discretizing event times. Censored observations are naturally handled as examples with missing labels at certain time points. This classification formulation enables existing tabular foundation models to perform survival analysis through in-context learning without explicit training. We prove that under standard censoring assumptions, minimizing our binary classification loss recovers the true survival probabilities as the training set size increases. We demonstrate through evaluation across $53$ real-world datasets that off-the-shelf tabular foundation models with this classification formulation outperform classical and deep learning baselines on average over multiple survival metrics.
• Abstract（参考訳）: 表形式の基礎モデルは分類と回帰において顕著な成功を収めてきたが、生存分析のための時間と結果のモデルにそれらを適用することは、データ観測がイベントが起こる前に終了する右検閲のため、非自明である。 本研究では,静的および動的生存解析を,事象時刻の識別による連立分類問題として再検討する。 補償された観測は、ある時点のラベルが欠けている例として、自然に扱われる。 この分類定式化により、既存の表形式の基礎モデルでは、明示的なトレーニングを伴わずに、文脈内学習を通じて生存分析を行うことができる。 標準的な検閲仮定の下では、バイナリ分類損失を最小限に抑えることで、トレーニングセットのサイズが大きくなるにつれて、真の生存確率が回復することを示す。 この分類の定式化による市販の表層モデルによる実世界のデータセット53ドルの評価を通じて、古典的および深層学習のベースラインを、複数のサバイバル指標で平均的に上回っていることを実証する。

関連論文リスト

• Understanding Overparametrization in Survival Models through Interpolation [14.444096460952961]
  機械学習の最近の進歩は、より複雑なパターンであるtextitdouble-descent を明らかにし、テスト損失は閾値付近でピークに達した後、モデル容量が増加し続けるにつれて再び減少する。 本研究では,DeepSurv,PC-Hazard,Nnet-Survival,N-MTLRの4つの生存モデルにおける過度パラメータ化について検討した。
  論文  参考訳（メタデータ） (2025-12-13T21:23:02Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• On Training Survival Models with Scoring Rules [9.330089124239086]
  本研究は,評価ではなく,スコアリングルールを用いたモデルトレーニングについて検討する。 我々は、モデル非依存の生存モデルを訓練するための一般的なフレームワークを構築し、パラメトリックまたは非パラメトリックのイベント時間分布を学習することができる。 合成および実世界のデータに対する実証的な比較は、スコアリングルールをモデルトレーニングにうまく組み込むことができることを示している。
  論文  参考訳（メタデータ） (2024-03-19T20:58:38Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Certifying Data-Bias Robustness in Linear Regression [12.00314910031517]
  本稿では, 線形回帰モデルが学習データセットのラベルバイアスに対して, ポイントワイズで損なわれているかどうかを検証する手法を提案する。 この問題を個々のテストポイントに対して正確に解く方法を示し、近似的だがよりスケーラブルな方法を提供する。 また、いくつかのデータセット上の特定のバイアス仮定に対して、高いレベルの非腐食性など、バイアス-腐食性のギャップを掘り下げる。
  論文  参考訳（メタデータ） (2022-06-07T20:47:07Z)
• Flexible Sampling for Long-tailed Skin Lesion Classification [23.185887174849885]
  既存の長い尾の学習方法は、各クラスを等しく扱い、長い尾の分布を再バランスさせる。 本稿では,長鎖皮膚病変分類タスクに対するフレキシブルサンプリングと呼ばれるカリキュラムベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T02:13:56Z)
• Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
  我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。 この結果は、異なるデータセットの実験によって確認される。
  論文  参考訳（メタデータ） (2022-02-02T18:19:04Z)
• 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)

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。