論文の概要: Online Survival Analysis: A Bandit Approach under Cox PH Model

• arxiv url: http://arxiv.org/abs/2604.20296v1
• Date: Wed, 22 Apr 2026 07:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.025059
• Title: Online Survival Analysis: A Bandit Approach under Cox PH Model
• Title（参考訳）: オンライン生存分析: Cox PH モデルに基づくバンドアプローチ
• Authors: Yang Xu, Wenbin Lu, Rui Song,
• Abstract要約: 我々は、生存分析をCox PHモデルの下で純粋にオンライン学習環境に統合するための最初の一歩を踏み出した。 我々は3つの標準バンディットアルゴリズムを適用して探索と搾取のバランスをとる。 本手法は, 近位治療方針の迅速かつ効果的な学習を可能にする。
• 参考スコア（独自算出の注目度）: 12.224664685642287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is a widely used statistical framework for modeling time-to-event data under censoring. Classical methods, such as the Cox proportional hazards (Cox PH) model, offer a semiparametric approach to estimating the effects of covariates on the hazard function. Despite its importance, survival analysis has been largely unexplored in online settings, particularly within the bandit framework, where decisions must be made sequentially to optimize treatments as new data arrive over time. In this work, we take an initial step toward integrating survival analysis into a purely online learning setting under the Cox PH model, addressing key challenges including staggered entry, delayed feedback, and right censoring. We adapt three canonical bandit algorithms to balance exploration and exploitation, with theoretical guarantees of sublinear regret bounds. Extensive simulations and semi-real experiments using SEER cancer data demonstrate that our approach enables rapid and effective learning of near-optimal treatment policies.
• Abstract（参考訳）: 生存分析(Survival analysis)は、検閲の下で時間から時間までのデータをモデル化するための、広く使われている統計フレームワークである。 コックス比例ハザード(Cox PH)モデルのような古典的な手法は、共変量の影響をハザード関数に推定するための半パラメトリックなアプローチを提供する。 その重要性にもかかわらず、サバイバル分析は、特にランディットフレームワークにおいて、新しいデータが到着するたびに治療を最適化するために、シーケンシャルに行う必要があるオンライン設定において、ほとんど探索されていない。 本研究では,Cox PHモデルに基づく純粋オンライン学習環境への生存分析の統合に向けた最初の一歩として,停滞したエントリ,遅延フィードバック,右検閲といった重要な課題に対処する。 我々は3つの標準バンディットアルゴリズムを適用して探索と搾取のバランスをとる。 SEER癌データを用いた広範囲なシミュレーションとセミリアル実験により, 近位治療方針の迅速かつ効果的な学習が可能となった。

関連論文リスト

• SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks [7.352227733654751]
  Kolmogorov-Arnold Networks (KAN) に基づく完全パラメトリック・時間連続生存モデルであるSurvKANを紹介する。 SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-02-02T14:49:14Z)
• TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-19T23:24:47Z)
• Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
  生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
  論文  参考訳（メタデータ） (2025-10-28T14:42:28Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Distributionally Robust Learning in Survival Analysis [6.946903076677842]
  我々は、分散ロバスト学習(DRL)アプローチをCoxレグレッションに組み込む革新的なアプローチを導入する。 DRLフレームワークをワッサーシュタイン距離に基づく曖昧性集合で定式化することにより、基礎となるデータ分布の仮定に敏感でない変種コックスモデルを開発する。 従来の手法と比較して,予測精度とロバスト性の観点から,回帰モデルが優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-06-02T06:11:22Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• 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)
• FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
  我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。 また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:35:29Z)
• DeepHazard: neural network for time-varying risks [0.6091702876917281]
  生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。 我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。 数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-26T21:01:49Z)

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。