論文の概要: A censoring-aware target interface for tabular foundation models in survival prediction

• arxiv url: http://arxiv.org/abs/2607.09577v1
• Date: Fri, 10 Jul 2026 16:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.904244
• Title: A censoring-aware target interface for tabular foundation models in survival prediction
• Title（参考訳）: 生存予測のための表層基盤モデルのための検閲対応ターゲットインタフェース
• Abstract要約: 検閲対応のターゲットインタフェースフレームワークであるSurvFM-RMSTを紹介する。 生存時間を制限した平均生存時間に対して、サバイバル結果をジャックニフェの擬似観測目標に変換する。 既知の条件RMSTを用いたシミュレーションでは、SurvFM-RMSTは制限されたイベントフリー時間を正確に回収した。
• 参考スコア（独自算出の注目度）: 1.402135576373209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-to-event prediction from tabular patient data is central to prognosis and biomedical decision support, but right-censored follow-up prevents direct use of ordinary regression labels. Tabular foundation models offer reusable prediction machinery for modest heterogeneous datasets, yet they generally assume fully observed outcomes. We introduce SurvFM-RMST, a censoring-aware target-interface framework that converts survival outcomes into jackknife pseudo-observation targets for restricted mean survival time, enabling multiple tabular backbones to perform horizon-specific RMST regression without survival-specific fine-tuning. In controlled simulations with known conditional RMST, SurvFM-RMST recovered restricted event-free time accurately, and pseudo-RMST targets outperformed naive restricted observed-time and event-only targets. Across 36 eligible static SurvSet datasets, SurvFM backbones were competitive with established survival and RMST-regression comparators, though relative performance varied by endpoint, horizon and practical constraints. Predicted RMST further stratified held-out patients into groups with ordered observed event-free time and event enrichment. Overall, the results support pseudo-RMST target construction as a portable interface between censored survival data and tabular foundation-model prediction.
• Abstract（参考訳）: 表型患者データからの経時的予測は予後とバイオメディカルな意思決定支援の中心であるが、右室的追跡は通常の回帰ラベルの直接使用を妨げている。 タブラル基礎モデルは、控えめな異種データセットに対する再利用可能な予測機構を提供するが、一般的に完全に観察された結果を想定している。 SurvFM-RMSTは,生存時間を制限した平均生存時間に対して,生存結果をJackknife疑似観測目標に変換するための,検閲対応のターゲットインターフェースフレームワークである。 既知の条件RMSTを用いた制御シミュレーションでは、SurvFM-RMSTは制限されたイベントフリー時間を正確に回収し、擬似RMSTターゲットは単純な観測時間とイベントオンリーの目標よりも優れていた。 36個の静的SurvSetデータセットのうち、SurvFMバックボーンは確立された生存とRMST-regressionコンパレータと競合するが、相対的な性能はエンドポイント、水平線、実用的制約によって異なる。 RMSTの予測では, 有意な有意な有意な有意な有意差がみられ, 有意な有意な有意差が認められた。 その結果, 疑似RMSTターゲット構築は, 検閲された生存データと表層基礎モデル予測との間の移植可能なインタフェースとして支持された。

関連論文リスト

• Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data [0.6882042556551609]
  提案したモデルであるSurv-IPTBは、特定の患者が治療中の生存時間とコントロール期間の延長を経験する確率を直接的に定量化する。 我々はIPTB推定を二項分類問題として再検討し、治療とコントロールコホート間での患者比較を両立させる。 学習可能なクエリキー変換によるアテンションメカニズムにより、ペア比較の柔軟なデータ駆動アグリゲーションが可能になる。
  論文  参考訳（メタデータ） (2026-08-06T17:13:44Z)
• Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models [5.572607261284016]
  短期心拍変動(HRV)予測は、臨床医に自律神経機能障害や心不全を検知するための実用的なリードタイムを提供する可能性がある。 消費者ウェアラブルデバイスは、従来の予測アプローチに挑戦する断片的でアーティファクトに富んだHRV信号を生成する。 本研究では,Time Series Foundation Models(TSFM),TimeFM,Chronos,MOIRAIの3つの予測能力について検討した。
  論文  参考訳（メタデータ） (2026-07-22T11:12:07Z)
• SHIFT: Survival Prediction from Incomplete and Heterogeneous Genomic Data [5.954313066207682]
  ゲノム予測モデルは、シーケンスパネルがサイトによって異なるため、組織間での転送に失敗することが多く、配置時に構造的特徴の欠如が生じる。 本研究では,不完全なゲノム入力を直接予測する不完全な生存モデルであるTransformer (SHIFT) を用いて,不完全な特徴を扱うサバイバル予測を提案する。
  論文  参考訳（メタデータ） (2026-07-04T21:04:57Z)
• 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)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis [0.6882042556551609]
  生存拡散確率モデル(Survival Diffusion Probabilistic Model, SDPM)は、持続的生存分析のための生成的アプローチである。 SDPMは、標準化されたログタイムと検閲指標の連続したガウス混合表現を用いて、変換されたターゲット空間で動作する。 その結果,SDPMはC-index,統合時間依存型AUC,統合型Brierスコア間での競合予測性能が得られた。
  論文  参考訳（メタデータ） (2026-05-21T17:33:47Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• SurvSurf: a partially monotonic neural network for first-hitting time prediction of intermittently observed discrete and continuous sequential events [7.861592120016206]
  本稿では,ニューラルネットワークに基づくサバイバルモデル(SurvSurf)を提案する。 理論上、SurvSurfは逐次事象の累積入射関数の間の単調な関係に決して違反しないことを保証し、予測子からの非線形な影響を許容する。
  論文  参考訳（メタデータ） (2025-04-07T12:24:59Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• 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)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• 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)

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。