論文の概要: SurvivalPFN: Amortizing Survival Prediction via In-Context Bayesian Inference

• arxiv url: http://arxiv.org/abs/2605.15488v1
• Date: Fri, 15 May 2026 00:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.133736
• Title: SurvivalPFN: Amortizing Survival Prediction via In-Context Bayesian Inference
• Title（参考訳）: SurvivalPFN: 文脈ベイズ推論による生存予測の復活
• Authors: Shi-ang Qi, Vahid Balazadeh, Michael Cooper, Russell Greiner, Rahul G. Krishnan,
• Abstract要約: SurvivalPFNは、文脈内学習による検閲された観察に対するベイズ推定を記憶する事前データ付きネットワークである。 SurvivalPFNは、合成、同定可能、および右チャージされたデータ生成プロセスの様々なファミリーで事前訓練されており、推論中に単一の前方通過で生存分析を減弱することができる。 61のデータセット、21のメソッド、および5つの評価指標にまたがる大規模なベンチマークでは、SurvivalPFNは強力な予測性能を達成し、確立された生存モデルを改善することが多い。
• 参考スコア（独自算出の注目度）: 17.180509074623004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Survival analysis provides a powerful statistical framework for modeling time-to-event outcomes in the presence of censoring. However, selecting an appropriate estimator from the many specialized survival approaches often requires substantial methodological and domain expertise. We introduce SurvivalPFN, a prior-data fitted network that amortizes Bayesian inference for censored observations through in-context learning. SurvivalPFN is pretrained on a diverse family of synthetic, identifiable, and right-censored data-generating processes, enabling it to amortize survival analysis in a single forward pass during inference. As a result, the model adapts to the effective complexity of each dataset without task-specific training or hyperparameter tuning, avoids restrictive parametric assumptions, and produces calibrated survival distributions. In a large-scale benchmark spanning 61 datasets, 21 methods, and 5 evaluation metrics, SurvivalPFN achieves strong predictive performance and often improves upon established survival models. These results suggest that SurvivalPFN offers a principled and practical foundation model for survival analysis, with potential applications in high-impact domains such as healthcare, finance, and engineering (https://github.com/rgklab/SurvivalPFN).
• Abstract（参考訳）: 生存分析は検閲の存在下での時間と結果のモデリングに強力な統計的枠組みを提供する。 しかし、多くの専門的なサバイバルアプローチから適切な推定器を選択するには、多くの方法論とドメインの専門知識が必要である。 SurvivalPFNは、文脈内学習による検閲された観察に対するベイズ推定を記憶する事前データ付きネットワークである。 SurvivalPFNは、合成、同定可能、および右チャージされたデータ生成プロセスの様々なファミリーで事前訓練されており、推論中に単一の前方通過で生存分析を減弱することができる。 その結果,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使わずに,各データセットの効率的な複雑性に適応し,制約的なパラメトリック仮定を回避し,キャリブレーションされた生存分布を生成する。 61のデータセット、21のメソッド、および5つの評価指標にまたがる大規模なベンチマークでは、SurvivalPFNは強力な予測性能を達成し、確立された生存モデルを改善することが多い。 これらの結果は、SurvivalPFNが、医療、金融、工学などの高インパクト領域(https://github.com/rgklab/SurvivalPFN)に潜在的に適用可能な、生存分析のための原則的で実用的な基礎モデルを提供していることを示唆している。

関連論文リスト

• Survival In-Context: Prior-fitted In-context Learning Tabular Foundation Model for Survival Analysis [19.308150844590916]
  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。
  論文  参考訳（メタデータ） (2026-03-31T09:22:52Z)
• 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)
• SurvUnc: A Meta-Model Based Uncertainty Quantification Framework for Survival Analysis [8.413107141283502]
  生存分析は、多くの現実世界の応用、特に医療やリスクアセスメントのような高度な領域において基礎となる。 多くの生存モデルが進歩しているにもかかわらず、予測の不確実性の定量化は未熟で困難なままである。 生存モデルのためのポストホック不確実性定量化のための新しいメタモデルベースのフレームワークであるSurvUncを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T18:12:20Z)
• 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)
• Learning Survival Distribution with Implicit Survival Function [15.588273962274393]
  強い仮定を伴わない生存分布推定のためのインプシットニューラルネットワーク表現に基づくインプシット生存関数(ISF)を提案する。 実験の結果、ICFは3つの公開データセットで最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-24T02:51:29Z)
• 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)
• FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis [9.659041001051415]
  我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。 提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
  論文  参考訳（メタデータ） (2022-07-12T01:10:36Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。