論文の概要: Evolving Features vs Evolving Entire Trees with GP for Interpretable Survival Analysis

• arxiv url: http://arxiv.org/abs/2605.30119v1
• Date: Thu, 28 May 2026 15:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.455356
• Title: Evolving Features vs Evolving Entire Trees with GP for Interpretable Survival Analysis
• Title（参考訳）: GPを用いた生存解析のための進化的特徴と進化的木
• Authors: Thalea Schlender, Peter A. N. Bosman, Tanja Alderliesten,
• Abstract要約: 生存木は、競争精度を達成するために、表現力のある高次特徴の組み合わせを必要とする。 我々は生存木構造と非線形スプリット論理を協調的に最適化する進化的アプローチを導入する。 本研究は,進化的特徴構造が樹木誘導戦略を横断する予測性能を向上させることを示す。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis concerns the task of predicting the time until an event occurs. Often used in the medical field, survival analysis deals with incomplete (i.e., censored) data, for instance, from patients who did not experience the event during the duration of the study. For practical use, both accuracy and interpretability are important. Survival trees are easy-to-follow survival models that split the patient cohort recursively into discrete patient groups. Whilst survival trees can capture complex relationships, they typically need to grow large, threatening interpretability. Moreover, survival trees are often built using greedy approaches that may overlook globally optimal split combinations, limiting predictive performance. Shallow survival trees require expressive, higher-order feature combinations to achieve competitive accuracy. We therefore use genetic programming to multi-objectively evolve inherently inspectable feature sets and study how they interact with different tree induction strategies. We further introduce an evolutionary approach that jointly optimises the survival tree structure and the non-linear split logic. Our findings demonstrate that evolutionary feature construction improves predictive performance across different tree induction strategies on two real-world datasets and two different survival tree depths. Full joint evolution has the overall highest potential to propose multiple inherently inspectable shallow survival trees of good performance.
• Abstract（参考訳）: 生存分析(Survival analysis)とは、事象が起こるまでの時間を予測するタスクである。 医学分野でよく用いられるサバイバル分析は、例えば、研究期間中にこの出来事を経験しなかった患者からの不完全な(すなわち検閲された)データを扱う。 実用上、精度と解釈可能性の両方が重要である。 生存木は、患者コホートを個別の患者グループに再帰的に分割する、簡単に追跡できる生存モデルである。 生存木は複雑な関係を捉えることができるが、通常は大きく成長し、解釈しやすさを脅かす必要がある。 さらに、サバイバルツリーは、グローバルに最適な分割の組み合わせを見落とし、予測性能を制限するような、欲張りのアプローチで構築されることが多い。 生存木は、競争精度を達成するために、表現力のある高次特徴の組み合わせを必要とする。 そこで我々は遺伝的プログラミングを用いて、本質的に検査可能な特徴集合を多目的に進化させ、異なる樹木誘導戦略とどのように相互作用するかを研究する。 さらに、生存木構造と非線形分割論理を協調的に最適化する進化的アプローチを導入する。 その結果、進化的特徴構造は、2つの実世界データセットと2つの生存木深さの異なるツリー誘導戦略における予測性能を向上させることを示した。 完全な関節の進化は、性能のよい複数の固有の検査可能な浅い生存木を提案する最も大きな可能性を秘めている。

関連論文リスト

• Interpretable DNA Sequence Classification via Dynamic Feature Generation in Decision Trees [48.331026745746776]
  DEFTは木構築中に適応的に高レベルなシーケンス特徴を生成する新しいフレームワークである。 そこで本研究では,DEFTが多種多様なゲノムタスクにまたがって,人間の解釈可能かつ高い予測的シーケンスの特徴を発見できることを示す。
  論文  参考訳（メタデータ） (2026-04-13T20:58:01Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
  統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。 森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T15:36:43Z)
• Optimal Sparse Survival Trees [23.23106906682907]
  木に基づく手法は, 高い解釈性と複雑な関係を捉える能力から, 生存分析に広く採用されている。 本稿では,動的プログラミングとバウンダリを併用したモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-27T07:26:10Z)
• Optimal Survival Trees: A Dynamic Programming Approach [8.815461200424776]
  生存分析は、過去のデータに基づいて、死亡時刻、またはその他の特異な未再発事象を研究・予測する。 我々は動的プログラミングを用いて、最適性を保証する最初の生存木法を提供する。
  論文  参考訳（メタデータ） (2024-01-09T11:01:11Z)
• NSOTree: Neural Survival Oblique Tree [0.21756081703275998]
  サバイバル分析(英: Survival analysis)は、特定の利害関係が成立するまでの期間を精査するために用いられる統計手法である。 深層学習に基づく手法は、その表現能力と最先端の性能からこの分野を支配してきた。 本稿では,ニューラルネットワークと木に基づく手法の両方の長所を活用し,解釈可能性を維持しつつ,複雑な関数を近似する能力を生かした。
  論文  参考訳（メタデータ） (2023-09-25T02:14:15Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• 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。