論文の概要: SurvPFN: Towards Foundation Models for Survival Predictions

• arxiv url: http://arxiv.org/abs/2606.04564v1
• Date: Wed, 03 Jun 2026 07:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.617565
• Title: SurvPFN: Towards Foundation Models for Survival Predictions
• Title（参考訳）: SurvPFN:生存予測の基礎モデルに向けて
• Authors: Samuel Böhm, Lennart Purucker, Frank Hutter, Pascal Schlosser,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.388525127324534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular foundation models (TFMs) have made rapid progress in standard classification and regression, but time-to-event survival prediction tasks have remained largely untouched. Unlike in standard regression tasks, survival prediction models must account for censored data. Standard TFMs cannot handle natively censored data, leading to biased and inaccurate predictions, making them unsuitable for real-world applications. To overcome this fundamental limitation, we propose \texttt{SurvPFN}, a prior-data fitted network (PFN), for survival prediction tasks. We pretrain \texttt{SurvPFN} on millions of synthetic survival prediction tasks to learn survival via distributional regression that accounts for censored data. \texttt{SurvPFN} works by (1) generating data with Weibull event times and a non-informative censoring mechanism; (2) integrating a censored event indicator; and (3) minimizing a censored negative log-likelihood. On SurvSet, a collection of real-world survival tasks, \texttt{SurvPFN} is highly competitive with classical and deep survival baselines without per-dataset fitting, a survival-specific architecture, or feature engineering. We show that survival can be treated as a continuous-time distributional regression problem with censored loss, unlocking the power of PFNs for time-to-event predictions.
• Abstract（参考訳）: タブラル基礎モデル(TFM)は、標準分類と回帰を急速に進歩させたが、時間と時間との生存予測タスクは、ほとんど触れられていない。 通常の回帰処理とは異なり、生存予測モデルは検閲されたデータを考慮しなければならない。 標準のTFMは、ネイティブに検閲されたデータを扱うことができず、バイアスや不正確な予測をもたらし、現実世界のアプリケーションには適さない。 この基本的制限を克服するために、生存予測タスクのための事前データ付きネットワーク(PFN)である \texttt{SurvPFN} を提案する。 我々は、何百万もの合成生存予測タスクに対して、検閲されたデータを考慮した分布回帰を通して生存を学習するために、texttt{SurvPFN}を事前訓練する。 texttt{SurvPFN}は、(1)Weibullイベント時間と非形式的な検閲機構によるデータ生成、(2)検閲されたイベントインジケータの統合、(3)検閲された負のログライクな状態の最小化によって機能する。 SurvSetでは、現実のサバイバルタスクのコレクションである \texttt{SurvPFN} は、データセットごとのフィッティング、サバイバル固有のアーキテクチャ、機能エンジニアリングなしで、古典的で深いサバイバルベースラインと非常に競合する。 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。

関連論文リスト

• Staying Alive: Uncensored Survival Analysis with Tabular Foundation Models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-02T14:11:23Z)
• 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)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• 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)
• Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
  本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。 合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
  論文  参考訳（メタデータ） (2023-06-20T21:51:13Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)

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。