論文の概要: Staying Alive: Uncensored Survival Analysis with Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2606.03689v1
- Date: Tue, 02 Jun 2026 14:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:05.056401
- Title: Staying Alive: Uncensored Survival Analysis with Tabular Foundation Models
- Title（参考訳）: Staying Alive: タブラル基礎モデルによる無検閲生存分析
- Abstract要約: Tabular Foundation Models (TFM) は、1回の前進パスで予測タスクを実行する能力によって近年大きな関心を集めている。
本研究では,TFMを用いてイベントの時刻を予測し,反復的に右検閲データを出力することで,生存率の劣化を抑える訓練のない手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival Analysis (SA) is a statistical framework that models the time span until some event of interest occurs. Widely used in several domains, including healthcare and churn prediction, a central challenge in its applicability stems from the time of the event being partially observed or \emph{right-censoring}. Tabular Foundation Models (TFM) have attracted significant interest in recent years due to their ability to perform prediction tasks in a single forward pass, requiring no dataset-specific parameter fitting. Despite their success, their application to prediction tasks on time-to-event data remains difficult due to right censoring. In this work, we present a training-free method to survival regression by leveraging TFMs to both predict the time of the event and iteratively impute right-censored data. Our method uses a TFM to construct an Accelerated Failure Time (AFT) model requiring no training beyond fitting a single scalar parameter. Subsequently, by building on the Buckley-James estimator, we introduce a non-parametric in-context estimator for right-censored data. Our experiments on standard survival analysis benchmarks show that our method is competitive with several parametric and semi-parametric survival regression models that require training, including Cox regression and parametric AFT models.
- Abstract（参考訳）: サバイバル分析(英: Survival Analysis、SA)は、ある事象が起こるまで期間をモデル化する統計フレームワークである。
医療やチャーン予測など、いくつかの領域で広く使われているが、その適用性の中心的な課題は、イベントが部分的に観察された時や 'emph{right-censoring} から来ている。
Tabular Foundation Models (TFM) は、データセット固有のパラメータフィッティングを必要としない単一の前方通過で予測タスクを実行する能力のため、近年、大きな関心を集めている。
彼らの成功にもかかわらず、適切な検閲のため、時間と時間のデータによる予測タスクへの応用は難しいままである。
本研究では,TFMを用いてイベントの時刻を予測し,反復的に刺激された右検閲データを再現することで,生存率の劣化を抑える訓練を不要とする手法を提案する。
本手法では,TFMを用いて,単一スカラーパラメータの適合以外のトレーニングを必要としない加速故障時間(AFT)モデルを構築する。
その後、Buckley-James推定器上に構築することにより、右チャージされたデータに対する非パラメトリックなインコンテキスト推定器を導入する。
標準サバイバル分析ベンチマーク実験により,本手法は,コックス回帰モデルやパラメトリックAFTモデルを含む,トレーニングを必要とするいくつかのパラメトリックおよび半パラメトリックサバイバル回帰モデルと競合することが示された。
関連論文リスト
- SurvPFN: Towards Foundation Models for Survival Predictions [41.388525127324534]
生存予測のための事前データ付きネットワーク(PFN)である textttSurvPFN を提案する。
我々は、何百万もの合成生存予測タスクについてtextttSurvPFN を事前訓練し、検閲データを考慮した分布回帰を用いて生存率を学習する。
我々は,PFNのパワーを解放し,時間から時間への予測を行うことにより,生存を検閲された損失を伴う連続的な分布回帰問題として扱うことができることを示す。
論文 参考訳（メタデータ） (2026-06-03T07:52:45Z) - From Data to Behavior: Predicting Unintended Model Behaviors Before Training [78.37660873165284]
トレーニング前に意図しないモデルの振る舞いを予測する新しいタスクであるData2Behaviorを紹介する。
また,その平均表現を通して候補データを要約する軽量な手法として,MDF(Manipulating Data Features)を提案する。
Qwen3-14B、Qwen2.5-32B-Instruct、Gemma-3-12b-itの実験では、MDFは意図しない振る舞いを予測でき、事前訓練済みの脆弱性に関する洞察を与える。
論文 参考訳（メタデータ） (2026-02-04T16:37:17Z) - 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) - Can Test-Time Scaling Improve World Foundation Model? [67.82670175383761]
我々は世界基盤モデル(WFM)に適したテストタイムスケーリングフレームワークであるSWIFTを紹介する。
SWIFTは、高速トークン化、確率ベースのTop-Kプルーニング、効率的なビームサーチを含むプロセスレベルの推論戦略とWFM評価ツールキットを統合した。
その結果,テストタイムスケーリング法則はWFMに対して有効であり,SWIFTはモデルサイズを調整・増大させることなく,WFM推論を改善するためのスケーラブルで効果的な経路を提供することがわかった。
論文 参考訳（メタデータ） (2025-03-31T17:07:37Z) - ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。
我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。
本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-24T02:16:00Z) - 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) - Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via
Rank Regression [17.684526928033065]
我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。
このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。
提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
論文 参考訳（メタデータ） (2023-07-16T13:58:28Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳（メタデータ） (2022-10-10T19:53:13Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳（メタデータ） (2020-01-08T23:20:23Z)
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。