論文の概要: SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis

• arxiv url: http://arxiv.org/abs/2605.22776v1
• Date: Thu, 21 May 2026 17:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.381954
• Title: SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
• Title（参考訳）: SDPM:連続生存分析のための生存拡散確率モデル
• Authors: Stanislav R. Kirpichenko, Andrei V. Konstantinov, Lev V. Utkin,
• Abstract要約: 生存拡散確率モデル(Survival Diffusion Probabilistic Model, SDPM)は、持続的生存分析のための生成的アプローチである。 SDPMは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。 その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。
• 参考スコア（独自算出の注目度）: 0.6882042556551609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis aims to estimate a time-to-event distribution from data with censored observations. Many existing methods either impose structural assumptions on the hazard function or discretize the time axis, which may limit flexibility and introduce approximation errors. We propose the Survival Diffusion Probabilistic Model (SDPM), a generative approach to continuous-time survival analysis. SDPM models the conditional distribution of the survival outcome, represented by the pair of observed time and censoring indicator, $\mathbb{P}(T,δ\mid \mathbf{x})$, using a denoising diffusion model. Under the assumption of conditionally independent censoring, conditional samples generated by the model can be transformed into survival function estimates using the Kaplan-Meier estimator. This formulation avoids parametric assumptions on the event-time distribution and does not require a discretization of the output time space. The model operates in a transformed target space, using standardized log-times and a continuous Gaussian-mixture representation of the censoring indicator. We evaluate SDPM on ten real survival datasets and compare it with five strong baselines, including tree-based, boosting-based, and neural survival models. Results show that SDPM achieves competitive predictive performance across C-index, integrated time-dependent AUC, and integrated Brier score. A study on synthetic Cox-Weibull data demonstrates that SDPM can recover the shape of an underlying continuous survival distribution more accurately than a strong nonparametric baseline when sufficiently many samples are generated. An ablation study confirms the importance of the proposed target-space transformations, which improve event-rate calibration, reduce invalid generated times, and provide consistent gains in predictive discrimination. Codes implementing the proposed model are publicly available.
• Abstract（参考訳）: 生存分析は、検閲された観測データから時間から時間までの分布を推定することを目的としている。 多くの既存の手法は、ハザード関数に構造的仮定を課すか、時間軸を離散化するかのいずれかであり、柔軟性を制限し近似誤差を導入する可能性がある。 本研究では,持続的生存時間解析のためのモデルであるSurvival Diffusion Probabilistic Model (SDPM)を提案する。 SDPMは、観測時間と検閲指標のペアである$\mathbb{P}(T,δ\mid \mathbf{x})$で表現された生存結果の条件分布を、デノナイズ拡散モデルを用いてモデル化する。 条件付き独立検閲の仮定の下では、モデルによって生成された条件付きサンプルは、カプラン・マイアー推定器を用いて生存関数推定に変換することができる。 この定式化は、事象時間分布のパラメトリック仮定を回避し、出力時間空間の離散化を必要としない。 このモデルは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。 10個の実生存データセット上でSDPMを評価し,木ベース,ブースティングベース,ニューラルサバイバルモデルを含む5つの強力なベースラインと比較した。 その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。 合成Cox-Weibullデータの研究により、SDPMは十分な数のサンプルが生成されると、強い非パラメトリックベースラインよりも、基礎となる連続生存分布の形状をより正確に復元できることが示された。 Ablation study is confirmed the importance of the proposed target-space transformations which improve event-rate calibration, reduce invalid generated time, provide consistent gains in predictive discrimination。 提案されたモデルを実装するコードは公開されている。

関連論文リスト

• Survival Analysis as Imprecise Classification with Trainable Kernels [2.2120851074630177]
  iSurvM、iSurvQ、iSurvJは、不正確な確率理論と注意機構を組み合わせてパラメトリック仮定なしで検閲されたデータを扱う。 合成および実データセットの実験により、提案されたモデルは、精度と計算複雑性の観点から、ベラン推定器を一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-06-11T19:40:09Z)
• Learning Survival Distributions with the Asymmetric Laplace Distribution [16.401141867387324]
  非対称ラプラス分布(ALD)に基づくパラメトリックサバイバル解析法を提案する。 この分布は、平均、中央値、モード、変動、量子化といった一般的なイベントサマリーの閉形式計算を可能にする。 提案手法は, 精度, 識別, 校正の点でパラメトリックおよび非パラメトリックアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T17:34:41Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
  本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。 時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。 5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T04:22:11Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。