論文の概要: Survival In-Context: Prior-fitted In-context Learning Tabular Foundation Model for Survival Analysis
- arxiv url: http://arxiv.org/abs/2603.29475v1
- Date: Tue, 31 Mar 2026 09:22:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.44712
- Title: Survival In-Context: Prior-fitted In-context Learning Tabular Foundation Model for Survival Analysis
- Title（参考訳）: サバイバルインコンテキスト:サバイバル分析のための事前適合したインコンテキスト学習タブラリ基礎モデル
- Authors: Dmitrii Seletkov, Paul Hager, Rickmer Braren, Daniel Rueckert, Raphael Rehms,
- Abstract要約: Survival In-Context (SIC) は、生存分析のための文脈内学習モデルである。
SICは単一の前方通過で個別化された生存予測を生成する。
SICは、古典的モデルやディープサバイバルモデルと比較して、競争力や優れたパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 19.308150844590916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis is crucial for many medical applications but remains challenging for modern machine learning due to limited data, censoring, and the heterogeneity of tabular covariates. While the prior-fitted paradigm, which relies on pretraining models on large collections of synthetic datasets, has recently facilitated tabular foundation models for classification and regression, its suitability for time-to-event modeling remains unclear. We propose a flexible survival data generation framework that defines a rich survival prior with explicit control over covariates and time-event distributions. Building on this prior, we introduce Survival In-Context (SIC), a prior-fitted in-context learning model for survival analysis that is pretrained exclusively on synthetic data. SIC produces individualized survival prediction in a single forward pass, requiring no task-specific training or hyperparameter tuning. Across a broad evaluation on real-world survival datasets, SIC achieves competitive or superior performance compared to classical and deep survival models, particularly in medium-sized data regimes, highlighting the promise of prior-fitted foundation models for survival analysis. The code will be made available upon publication.
- Abstract（参考訳）: 生存分析は多くの医学的応用において不可欠であるが、限られたデータ、検閲、表の共変量の不均一性により、現代の機械学習では依然として困難である。
合成データセットの集合の事前学習モデルに依存した事前適合したパラダイムは、最近、分類と回帰のための表形式の基礎モデルを促進したが、時間とイベントのモデリングには適していない。
本稿では,共変量および時間変動分布の明示的な制御により,より豊富な生存率を定義するフレキシブルサバイバルデータ生成フレームワークを提案する。
そこで我々は,Survival In-Context (SIC) を導入した。SICは,合成データに限定して事前訓練された生存分析のための文脈内学習モデルである。
SICは、タスク固有のトレーニングやハイパーパラメータチューニングを必要とせず、単一のフォワードパスで個別にサバイバル予測を生成する。
実世界のサバイバルデータセットに関する幅広い評価において、SICは古典的および深層サバイバルモデル(特に中規模データレギュレーション)と比較して、競争力や優れたパフォーマンスを達成し、サバイバル分析に予め適合した基盤モデルが期待できることを強調している。
コードは公開時に公開されます。
関連論文リスト
- Tabular Foundation Models Can Do Survival Analysis [2.9749358564564368]
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。
論文 参考訳（メタデータ） (2026-01-29T19:29:24Z) - SurvBench: A Standardised Preprocessing Pipeline for Multi-Modal Electronic Health Record Survival Analysis [2.74994442100348]
本稿では、SurvBenchについて述べる。SurvBenchは、生のPhyloNetデータセットをマルチモーダルサバイバル分析のためのモデル対応テンソルに変換する、包括的でオープンソースの前処理パイプラインである。
SurvBenchは、MIMIC-IV、eICU、MC-MEDの3つの主要なクリティカルケアデータベースにデータローダを提供する。
パイプラインは厳格なデータ品質管理、データ漏洩を防止するための患者レベルの分割、明確な欠陥追跡、標準化された時間的集約を実装している。
論文 参考訳（メタデータ） (2025-11-14T23:19:14Z) - Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。
生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文 参考訳（メタデータ） (2025-07-10T14:29:48Z) - SurvHive: a package to consistently access multiple survival-analysis packages [0.0]
SurvHiveはPythonベースのフレームワークで、Scikit-learnをモデルとしたコヒーレントかつインターフェース内でサバイバル分析メソッドを統合するように設計されている。
SurvHiveは古典的な統計モデルと最先端のディープラーニングアプローチを統合しており、トランスフォーマーベースのアーキテクチャやパラメトリックサバイバルモデルを含んでいる。
論文 参考訳（メタデータ） (2025-02-04T11:02:40Z) - 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) - Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations [19.560652381770243]
我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。
我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。
提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
論文 参考訳（メタデータ） (2024-07-25T02:55:39Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - 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) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-02-24T17:03:51Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - 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。