論文の概要: TabSurv: Adapting Modern Tabular Neural Networks to Survival Analysis

• arxiv url: http://arxiv.org/abs/2605.03944v1
• Date: Tue, 05 May 2026 16:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:44.03488
• Title: TabSurv: Adapting Modern Tabular Neural Networks to Survival Analysis
• Title（参考訳）: TabSurv: 最新のタブラルニューラルネットワークを生存分析に適用する
• Authors: Stanislav Kirpichenko, Andrei Konstantinov, Lev Utkin,
• Abstract要約: 本研究では,Weibull分布と非パラメトリック生存予測を用いた生存分析手法TabSurvを提案する。 ベースラインフィードフォワードネットワークに加えて,TabSurv内での生存分析のためにヒストグラムの深層アンサンブルを実装した。 以上の結果から,TabSurvは定評ある古典的・深層学習のベースラインにおいて一貫して優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis on tabular data is a well-studied problem. However, existing deep learning methods are often highly task-specific, which can limit the transfer of new approaches from other domains and introduce constraints that may affect performance. We propose TabSurv, an approach that adapts modern tabular architectures to survival analysis using either the Weibull distribution or non-parametric survival prediction. TabSurv optimizes SurvHL, a novel histogram loss function supporting censored data. In addition to a baseline feed-forward network, we implement deep ensembles of MLPs for survival analysis within TabSurv. In contrast to prior work, the ensemble components are trained in parallel, optimizing survival distribution parameters before averaging, which promotes diversity across ensemble component predictions. We perform a comprehensive empirical evaluation of different proposed architectures on 10 diverse real-world survival datasets. Our results show that TabSurv consistently outperforms on average established classical and deep learning baselines, such as RSF, DeepSurv, DeepHit, SurvTRACE. Notably, deep ensembles with Weibull parametrization instead of non-parametric models achieve the highest average rank by C-index. Overall, our study clarifies how modern tabular neural networks can be adapted and trained to tackle survival analysis problems, offering a strong and reliable approach. The TabSurv implementation is publicly available.
• Abstract（参考訳）: 表データの生存分析はよく研究されている問題である。 しかし、既存のディープラーニング手法は、しばしばタスク固有であり、他のドメインからの新たなアプローチの転送を制限し、パフォーマンスに影響を与える可能性のある制約を導入することができる。 本稿では,Weibull分布と非パラメトリックサバイバル予測を用いて,現代の表形式アーキテクチャを生存分析に適用するアプローチであるTabSurvを提案する。 TabSurvは検閲データをサポートする新しいヒストグラム損失関数であるSurvHLを最適化する。 ベースラインフィードフォワードネットワークに加えて,TabSurv内での生存分析のために,MLPの深層アンサンブルを実装した。 従来の作業とは対照的に、アンサンブルコンポーネントは並列にトレーニングされ、平均化前に生存率分布パラメータを最適化し、アンサンブルコンポーネントの予測の多様性を促進する。 10種類の実世界のサバイバルデータセットを用いて,提案したアーキテクチャの総合的評価を行う。 以上の結果から,TabSurv は RSF,DeepSurv,DeepHit,SurvTRACE など,定評ある古典的・深層学習ベースラインで一貫して優れていた。 特に、非パラメトリックモデルの代わりにWeibullパラメトリゼーションを持つディープアンサンブルは、C-インデックスによる最高平均ランクを達成する。 全体として、我々の研究は、生存分析問題に対処するために、現代の表層ニューラルネットワークをどのように適応し、訓練するかを明らかにし、強力で信頼性の高いアプローチを提供する。 TabSurvの実装が公開されている。

関連論文リスト

• 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)
• Make Still Further Progress: Chain of Thoughts for Tabular Data Leaderboard [27.224577475861214]
  機械学習の基本的なデータフォーマットであるタブラルデータは、競争や現実世界のアプリケーションで主に利用されている。 本研究では,大規模言語モデルを活用したテキスト内アンサンブルフレームワークを提案する。 提案手法は,各テストインスタンスの周囲のコンテキストを,その近傍と外部モデルのプールからの予測を用いて構築する。
  論文  参考訳（メタデータ） (2025-05-19T17:52:58Z)
• A Closer Look at TabPFN v2: Understanding Its Strengths and Extending Its Capabilities [51.08999772842298]
  Tabular Prior-data Fitted Network v2 (TabPFN v2)は、さまざまな下流データセット間で、前例のないコンテキスト内学習性能を達成する。 本研究では,TabPFN v2が属性トークンをランダムに入力しても属性関係を推測可能であることを示す。 我々はTabPFN v2の制限がテスト時間分割・コンテキスト戦略によって対処できることを実証した。
  論文  参考訳（メタデータ） (2025-02-24T17:38:42Z)
• Zero-shot Meta-learning for Tabular Prediction Tasks with Adversarially Pre-trained Transformer [2.1677183904102257]
  本稿では、実世界のデータセットを事前学習することなく、表形式の予測タスクでゼロショットメタ学習を行うことのできるAdversarially Pre-trained Transformer(APT)を提案する。 APTは、異なる合成データセットで意図的にモデルに挑戦する敵対的な合成データエージェントで事前訓練されている。 筆者らのフレームワークは,データセットの特徴をフィルタリングすることなく,小さな分類タスクにおける最先端のパフォーマンスと一致していることを示す。
  論文  参考訳（メタデータ） (2025-02-06T23:58:11Z)
• 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)
• Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later [76.66498833720411]
  K$-nearest neighbors (KNN) はもともと,インスタンス間のセマンティックな類似性を捉えるために線形投影を学習するために設計されたものだ。 意外なことに、SGDを用いたNAAの実装と次元減少のない実装は、表データの良好な性能をすでに達成しています。 本稿では、損失関数、予測戦略、深いアーキテクチャなど、これらの改善の背景にある要因を分析して、論文を締めくくる。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• A Closer Look at Deep Learning Methods on Tabular Datasets [78.61845513154502]
  広い範囲にまたがる300以上のデータセットの集合であるTALENTについて広範な研究を行った。 我々の評価では、アンサンブルは木に基づくアプローチとニューラルアプローチの両方に効果があることが示されている。
  論文  参考訳（メタデータ） (2024-07-01T04:24:07Z)

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。