論文の概要: A Scalable Nonparametric Continuous-Time Survival Model through Numerical Quadrature

• arxiv url: http://arxiv.org/abs/2605.16208v1
• Date: Fri, 15 May 2026 17:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.389748
• Title: A Scalable Nonparametric Continuous-Time Survival Model through Numerical Quadrature
• Title（参考訳）: 数値四分法によるスケーラブルな非パラメトリック連続生存モデル
• Authors: Chaeyeon Lee, Sehwan Kim, Hyungrok Do,
• Abstract要約: 非パラメトリックな連続時間モデリングを可能にするスケーラブルなディープラーニングフレームワークであるQSurvを紹介する。 本稿では,高次精度で累積ハザードを近似したガウス・レーゲンドル数値二次法に基づく学習目標を提案する。 累積ハザード評価のための近似誤差境界を確立する理論的解析を行う。
• 参考スコア（独自算出の注目度）: 6.630048574051614
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Flexible continuous-time survival modeling is critical for capturing complex time-varying hazard dynamics in high-dimensional data; however, training such models remains challenging due to the intractable integral required for likelihood estimation. We introduce QSurv, a scalable deep learning framework that enables nonparametric continuous-time modeling without relying on time discretization or restrictive distributional assumptions. We propose a training objective based on Gauss-Legendre numerical quadrature, which approximates the cumulative hazard with high-order accuracy while facilitating efficient end-to-end training via standard backpropagation. Furthermore, to effectively capture non-stationary hazard dynamics in complex architectures, we introduce time-conditioned low-rank adaptation, a mechanism that conditions general neural backbones on time by dynamically modulating weights via low-rank updates. We provide theoretical analysis establishing approximation error bounds for cumulative-hazard evaluation. Comprehensive experiments across synthetic benchmarks, large-scale real-world tabular datasets, and high-dimensional medical imaging tasks demonstrate that QSurv achieves competitive predictive performance with advantages in instantaneous hazard function estimation, enabling more interpretable characterization of time-varying risk patterns.
• Abstract（参考訳）: 高次元データにおける複雑な時間変動ハザードダイナミクスを捉えるためには、フレキシブルな連続時間生存モデリングが重要であるが、推定に必要とされる難解な積分のため、そのようなモデルの訓練は依然として困難である。 QSurvは、時間離散化や限定的な分布仮定に頼ることなく、非パラメトリックな連続時間モデリングを可能にするスケーラブルなディープラーニングフレームワークである。 本稿では,高次精度で累積ハザードを近似し,標準バックプロパゲーションによる効率的なエンドツーエンドトレーニングを容易にする,Gauss-Legendre数値定式化に基づく学習目標を提案する。 さらに、複雑なアーキテクチャにおける非定常的ハザードダイナミクスを効果的に捉えるために、時間条件付き低ランク適応を導入する。 累積ハザード評価のための近似誤差境界を確立する理論的解析を行う。 総合的なベンチマーク、大規模な実世界のグラフデータセット、高次元医用画像タスクによる実験は、QSurvが瞬時ハザード関数推定の利点を生かして競合予測性能を達成し、時間変化リスクパターンのより解釈可能なキャラクタリゼーションを可能にすることを示した。

関連論文リスト

• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series [7.01848433242846]
  本稿では,データ駆動時系列予測モデルの古典的強い定式化を補完する手法として弱い定式化を提案する。 Weak-Penalty NODE (WP-NODE) と呼ばれるこのトレーニング戦略は,ベンチマークカオス力学系における最先端予測精度と例外的ロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-11-10T01:40:35Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data [11.550402345767141]
  本稿では,自己整合方程式を利用した生成逆数ネットワークを用いた条件付き生存関数の非パラメトリック推定手法を提案する。 提案手法はモデルフリーであり,条件付き生存関数の構造に関するパラメトリックな仮定は不要である。
  論文  参考訳（メタデータ） (2025-03-12T06:24:35Z)
• A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
  本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。 トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
  論文  参考訳（メタデータ） (2024-08-02T18:34:30Z)
• Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data [23.280400290071732]
  ディープラーニングアプローチは、複雑さとスケールの増大にもかかわらず、現代的なデータのモデリングにおいて、卓越した予測性能を達成する。 予測モデルの品質を評価することは、従来の統計的仮定がもはや持たないため、より困難になる。 本稿では,時間的・時間的予測型ニューラルモデルの最適性を評価するための残差分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-03T12:55:08Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。