論文の概要: KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis

• arxiv url: http://arxiv.org/abs/2605.23082v1
• Date: Thu, 21 May 2026 22:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.125078
• Title: KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis
• Title（参考訳）: KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis
• Authors: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò,
• Abstract要約: 共変量と時間との結合関数として条件付きハザードの非推定にKAPLAN-HRを導入する。 単一層KAPLAN-HRモデルはGAMを復元し、より深いアーキテクチャは合成を通して相互作用と時間変化の効果をキャプチャする。 KAPLAN-HRは6つの臨床ベンチマークデータセットに対する評価において、確立された統計的および深層学習サバイバル手法の予測性能に適合するか、それとも超えている。
• 参考スコア（独自算出の注目度）: 11.337632710839166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis aims to model how covariates and time jointly shape the time-to-event distribution under right censoring. Classical methods such as the Cox model and generalised additive models (GAMs) require interactions and time-varying effects to be manually specified, which is increasingly impractical on rich clinical datasets. We introduce KAPLAN-HR, a B-spline Kolmogorov-Arnold Network (KAN) for nonparametric estimation of the conditional hazard as a joint function of covariates and time. A single-layer KAPLAN-HR model recovers a GAM, while deeper architectures capture interactions and time-varying effects through composition. We establish a convergence rate for the nonparametric KAN hazard estimator that depends only on the smoothness of the underlying KAN representation and not on the covariate dimension, thereby mitigating the curse of dimensionality for KAN-representable targets. In evaluations over six clinical benchmark datasets, KAPLAN-HR matches or exceeds the predictive performance of established statistical and deep learning survival methods.
• Abstract（参考訳）: サバイバル分析は、右検閲の下で共変量と時間が共同で時間-時間分布を形成する方法をモデル化することを目的としている。 CoxモデルやGAM(Generalized Additive Model)のような古典的な手法では、相互作用と時間変化の影響を手作業で指定する必要がある。 共変量と時間との結合関数として条件付きハザードを非パラメトリックに推定するためのB-spline Kolmogorov-Arnold Network (KAN) であるKAPLAN-HRを紹介する。 単一層KAPLAN-HRモデルはGAMを復元し、より深いアーキテクチャは合成を通して相互作用と時間変化の効果をキャプチャする。 我々は,非パラメトリックなカンハザード推定器の収束率を確立し,基礎となるカン表現の滑らかさにのみ依存し,共変次元に依存せず,カン表現可能なターゲットに対する次元の呪いを緩和する。 KAPLAN-HRは6つの臨床ベンチマークデータセットに対する評価において、確立された統計的および深層学習サバイバル手法の予測性能に適合するか、それとも超えている。

関連論文リスト

• Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner [5.540352966241158]
  生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間変化によって複雑になる。 本研究では,不均一な治療効果を正しく評価する深層生存学習者を提案する。
  論文  参考訳（メタデータ） (2026-04-12T01:11:44Z)
• 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)
• Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation [13.108896747775063]
  本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
  論文  参考訳（メタデータ） (2025-09-29T18:33:00Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba [0.0]
  本研究では,Cox比例ハザードモデルを用いて,時系列データを扱う深層学習モデルの利点を統合する。 LSTM-Coxモデルは、TransformerやMambaといった新しいモデルにまたがる、リカレントなデータ解析と特徴抽出のための堅牢で効率的な方法である。
  論文  参考訳（メタデータ） (2024-05-28T18:38:15Z)
• 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)
• 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)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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。