論文の概要: Robust Subgroup Analysis for Heterogeneous Censored Data

• arxiv url: http://arxiv.org/abs/2607.11389v1
• Date: Mon, 13 Jul 2026 10:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.441478
• Title: Robust Subgroup Analysis for Heterogeneous Censored Data
• Title（参考訳）: 不均一センシングデータのロバスト部分群解析
• Abstract要約: なぜなら、実世界のデータは典型的に異種集団から来ているからである。 異種加速故障時間(AFT)モデル下での検閲データに対する新鮮でロバストなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.5742520627596892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgroup analysis is important in practice because real-world data typically come from heterogeneous populations, where meaningful patterns can differ substantially across subpopulations. Correctly identifying these subgroups can improve prediction accuracy, prevent biased or misleading conclusions, and support more effective, targeted decision-making. While most existing subgroup analysis methods are developed for complete data, in this paper we propose a novel and robust approach for censored data under heterogeneous accelerated failure time (AFT) models. Specifically, we combine inverse probability weighting, M-estimation, and concave pairwise fusion penalization to simultaneously identify subgroups and estimate covariate effects for heterogeneous censored data, without requiring prior knowledge of individual subgroup memberships. We further develop an efficient RISA-ADMM algorithm to implement the method and establish its convergence. Furthermore, we derive the theoretical properties of the proposed estimators under mild regularity conditions. Extensive simulations and an application to the German credit dataset demonstrate the robustness and effectiveness of our approach.
• Abstract（参考訳）: なぜなら、実世界のデータは典型的に異種集団から来ており、亜集団間で意味のあるパターンが著しく異なるためである。 これらのサブグループを正しく特定することは、予測精度を改善し、偏見や誤解を招く結論を予防し、より効果的で目標とする意思決定を支援する。 既存のサブグループ解析手法は, 完全データに対して開発されているが, 異種加速故障時間(AFT)モデル下での検閲データに対する, 新規で堅牢なアプローチを提案する。 具体的には、逆確率重み付け(英語版)、M推定(英語版)、対の融合ペナル化(英語版)を組み合わせることで、サブグループを同時に同定し、各サブグループのメンバシップの事前知識を必要とせず、不均一な検閲データに対する共変量効果を推定する。 さらに,この手法を実装し,収束を確立するための効率的なRISA-ADMMアルゴリズムを開発した。 さらに、弱規則性条件下で提案した推定器の理論的性質を導出する。 大規模なシミュレーションとドイツの信用データセットへの適用は、我々のアプローチの堅牢性と有効性を示している。

関連論文リスト

• Simultaneous Heterogeneity and Reduced-rank Learning for Multivariate Response Regression [6.086398194493261]
  本稿では,サブグループ構造を同時に識別する統合的不均一性と低ランク学習フレームワークを提案する。 特に,本手法ではランク制約付き対融合ペナル化を用い,各部分群に関する事前知識を必要とせず,部分群解析を行う。 提案手法の有効性はシミュレーション研究と実データ応用を通して実証する。
  論文  参考訳（メタデータ） (2025-12-06T17:59:39Z)
• Heterogeneous Multisource Transfer Learning via Model Averaging for Positive-Unlabeled Data [2.030810815519794]
  本研究では,異種データソースからの情報を直接データ共有なしで統合するトランスファー学習フレームワークを提案する。 各ソースドメインタイプに対して、調整されたロジスティック回帰モデルを実行し、平均化によって知識をPUターゲットドメインに転送する。 提案手法は,特にラベル付きデータや異種環境において,予測精度とロバスト性において,他の比較手法よりも優れる。
  論文  参考訳（メタデータ） (2025-11-14T03:15:31Z)
• Group Distributionally Robust Machine Learning under Group Level Distributional Uncertainty [14.693433974739213]
  本稿では,各群における分布の不確実性を考慮した分散ロバスト最適化(DRO)に基づく新しいフレームワークを提案する。 提案したDRO問題の解法と収束結果を提供するために勾配降下指数アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-09-10T19:08:17Z)
• Uncalibrated Reasoning: GRPO Induces Overconfidence for Stochastic Outcomes [55.2480439325792]
  強化学習(Reinforcement Learning, RL)は、数学のような検証可能な決定論的領域において、言語モデルの精度を向上させるために著しく有効であることが証明されている。 本稿では,現在のRL法が,科学的実験のような検証可能な領域における言語モデルの最適化にも有効かどうかを検討する。
  論文  参考訳（メタデータ） (2025-08-15T20:50:53Z)
• Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes [6.448728765953916]
  制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 我々は、予測された直接効果推定に関する半パラメトリック推論を開発し、隠された仲介者、共同設立者、モデレーターを考慮に入れた。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
  摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。 我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。 我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
  論文  参考訳（メタデータ） (2020-06-10T22:32:52Z)

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。