論文の概要: Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis

• arxiv url: http://arxiv.org/abs/2606.02671v1
• Date: Mon, 01 Jun 2026 12:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.507337
• Title: Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis
• Title（参考訳）: 位置情報付きデータ駆動予測器のアライメント:生存分析への意思決定的アプローチ
• Authors: Itai Zilberstein, Ioannis Anagnostides, Tuomas Sandholm,
• Abstract要約: 機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。 正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。 既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
• 参考スコア（独自算出の注目度）: 52.10284705210197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning predictors have become essential tools for guiding automated decision making. However, a major misalignment persists: predictive models are typically optimized in terms of standard statistical metrics in isolation from the algorithmic tasks they inform. We highlight this incongruity in the high-stakes domain of organ allocation by demonstrating that any algorithm relying on (even highly accurate) survival predictors optimized for standard metrics -- such as the Concordance index (C-index) -- can yield arbitrarily poor outcomes when used for allocation, failing to guarantee utility better than a uniform random selection. To bridge the gap between survival analysis and policy optimization, we introduce a decision-focused learning approach based on optimizing normalized discounted cumulative gain (NDCG), a mainstay metric in information retrieval. We establish the utility of NDCG in survival analysis by proving that it translates to guarantees on the performance of allocation. Empirically, we propose a bootstrapping approach to optimize the NDCG of existing survival models. Unlike prior work, we also address the challenge of right censorship when evaluating ranking. On historical heart transplant data from the US, our method dramatically boosts the NDCG of baseline models by 50-100%, which translates to tens of thousands of additional life years gained annually when deployed for transplant allocation. We anticipate that our framework will find broader applications in decision making with predictions.
• Abstract（参考訳）: 機械学習予測器は、自動意思決定を導く上で欠かせないツールとなっている。 しかし、大きなミスアライメントは続く:予測モデルは典型的には、彼らが通知するアルゴリズム的なタスクから切り離された標準統計メトリクスで最適化される。 この不整合性は,Concordance Index (C-index)のような標準メトリクスに最適化された(高精度でも)生存予測器に依存するアルゴリズムが,アロケーションに使用すると任意に劣る結果となり,一様なランダム選択よりも有効性を保証できないことを示すことで強調する。 生存分析と政策最適化のギャップを埋めるため,情報検索における主要な指標である正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を導入する。 我々は,NDCGの生存分析における有効性を,割り当て性能の保証に変換できることを証明して確立する。 本研究では,既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。 従来の作業とは異なり、ランキングを評価する際には、正しい検閲の課題にも対処する。 米国における心臓移植の歴史的データから, 本手法は, ベースラインモデルのNDCGを50～100%向上させる。 当社のフレームワークは,予測による意思決定において,より広範な応用が期待できる。

関連論文リスト

• Deployment of AI-Assisted Interventions: Capacity Constraints and Noisy Compliance [1.535642649272052]
  予測精度のみに基づく政策は概して準最適であることを示す。 そこで我々は,新しいメトリック-オペティショナルAUCを導入し,最適なアルゴリズム選択につながることを示す。
  論文  参考訳（メタデータ） (2026-04-15T19:40:35Z)
• Goal-Oriented Influence-Maximizing Data Acquisition for Learning and Optimization [28.53710231018475]
  逆曲率による不確実性認識を保ちながら、明示的な後部推論を回避する能動的取得アルゴリズムを提案する。 GOIMDAは、ユーザが指定したゴール関数に対する期待する影響を最大化し、入力を選択する。 一般化線形モデルでは,GOIMDA はゴールアライメントと予測バイアスを考慮した補正項までの予測エントロピー最小化を近似する。
  論文  参考訳（メタデータ） (2026-02-23T07:57:11Z)
• Selective Prior Synchronization via SYNC Loss [16.432394683710434]
  本稿では,予測の不確実性レベルに基づいて,DNNがいつ予測を終了するかを判断できる選択予測に焦点を当てた。 提案手法は,従来推論でのみ用いられてきた選択前の不確実性情報を暗黙的に生成する。 具体的には、SelectiveNetのトレーニングプロセスにソフトマックス応答を組み込むことで、選択先行を検証して選択予測能力を向上する。
  論文  参考訳（メタデータ） (2026-02-11T19:43:00Z)
• Successive Halving with Learning Curve Prediction via Latent Kronecker Gaussian Processes [7.6801618830697285]
  我々は,Kronecker Gaussian Processs に基づく学習曲線予測による逐次ハルヴィングの導出が限界を克服できるかどうかを考察する。 我々は、この予測アプローチを、現在のパフォーマンス値に基づく標準アプローチと比較する。 実験の結果, 予測手法は競争性能を達成できるが, 標準手法により多くの資源を投入するよりも最適ではないことがわかった。
  論文  参考訳（メタデータ） (2025-08-20T16:10:23Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Bayesian Optimization Meets Laplace Approximation for Robotic Introspection [41.117361086267806]
  本稿では,Deep Neural Networks(DNN)をよりイントロスペクティブにするために,スケーラブルなLaplace Approximation (LA)技術を導入する。 特に,本論文では,真の重み付け後部を過小評価する傾向を緩和する新しいベイズ最適化(BO)アルゴリズムを提案する。 提案するフレームワークは,大規模データセットやアーキテクチャにまで拡張可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-30T09:28:10Z)

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。