論文の概要: Value-Monotonicity Matters: A Concordance Loss for Deep Survival Prediction

• arxiv url: http://arxiv.org/abs/2607.16802v1
• Date: Sat, 18 Jul 2026 12:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.261913
• Title: Value-Monotonicity Matters: A Concordance Loss for Deep Survival Prediction
• Title（参考訳）: Value-Monotonicity Matters:A Concordance Loss for Deep Survival Prediction
• Abstract要約: ディープサバイバルモデルは、ほぼ独占的にコンコーダンス指標(C-index)によって評価される 小型で高度に検閲された腫瘍学コホート上での高容量エンコーダのエンドツーエンドトレーニングでは、Cインデックスの評価が頻繁に行われる。 この目的のためには、損失の可能性は信頼できない。
• 参考スコア（独自算出の注目度）: 5.659742116897189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep survival models are evaluated almost exclusively by the concordance index (C-index), yet they are commonly trained using likelihood objectives such as the Cox partial likelihood, discrete-time negative log-likelihood, and DeepHit likelihood. This mismatch is usually considered acceptable because the C-index can be recomputed on validation data during training. However, for end-to-end training of high-capacity encoders on small, heavily censored oncology cohorts, frequent C-index evaluation is computationally expensive, making the loss value itself an important signal for monitoring, early stopping, and model selection. We show that likelihood losses are unreliable for this purpose and propose a value-monotone concordance loss. We prove that every strictly proper survival likelihood admits directions where the loss decreases while the C-index remains unchanged, causing the loss value to decouple from ranking performance. We then study a sigmoid concordance loss (SCL), whose value approximates one minus the C-index up to a temperature term, ensuring that lower loss corresponds to higher C-index during optimization. The loss is architecture agnostic and reduces to a convex survival ranking support vector machine for linear models. Across eighteen datasets from four modalities using a unified five-fold cross-validation protocol, SCL achieves discrimination comparable to standard likelihood losses and is the best or within one standard deviation of the best C-index. Unlike likelihood losses, SCL maintains a strong correlation between loss value and C-index during training, with rank correlations of 0.96 to 0.99 compared with -0.03 to 0.53 for likelihood losses. Calibration measured by the integrated Brier score is comparable. SCL provides a value-monotone optimization objective whose value can serve as a reliable surrogate for the C-index during expensive end-to-end training.
• Abstract（参考訳）: ディープサバイバルモデルは、コーマンス指数(C-index)によってほぼ排他的に評価されるが、コックス部分確率、離散時間負の対数類似度、ディープヒット確率などの可能性目標を用いて訓練される。 このミスマッチは通常、トレーニング中にCインデックスを検証データで再計算できるため、受け入れられると考えられている。 しかし、小規模で検閲されたオンコロジーコホート上での高容量エンコーダのエンドツーエンドトレーニングでは、頻繁にCインデックス評価がコストがかかるため、損失値自体が監視、早期停止、モデル選択の重要な信号となる。 この目的のために, 損失の可能性は信頼できないことを示し, 値単音一致損失を提案する。 C-インデックスが変化しないまま、損失が減少する方向を厳密に適切な生存確率が認めることが証明され、損失値がランキング性能から切り離される。 次に,C-インデックスを1つの温度項に近似したSCL(Sigmoid Concordance Los)について検討し,低損失が最適化時に高いC-インデックスに対応することを確認した。 この損失はアーキテクチャ非依存であり、線形モデルに対する凸生存ランク支持ベクトルマシンに還元される。 SCLは、統合された5倍のクロスバリデーションプロトコルを使用して、4つのモダリティから18個のデータセットを収集し、標準可能性損失に匹敵する差別を達成し、最高のCインデックスの標準偏差または1つの標準偏差の中で最高のものである。 可能性損失とは違って、SCLは損失値とC指数との間に強い相関を保ち、ランク相関は0.96から0.99であり、可能性損失は-0.03から0.53である。 統合されたブライアスコアによって測定される校正は、同等である。 SCLは、高価なエンドツーエンドトレーニング中にCインデックスの信頼できるサロゲートとして機能する、バリューモノトン最適化の目標を提供する。

関連論文リスト

• Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
  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。
  論文  参考訳（メタデータ） (2026-06-01T12:03:22Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Self-Supervised Contrastive Learning is Approximately Supervised Contrastive Learning [48.11265601808718]
  標準的な自己指導型コントラスト学習目標が暗黙的に教師付き変種を近似することを示し,我々は負のみ教師付きコントラスト学習損失(NSCL)と呼ぶ。 ラベルに依存しない,アーキテクチャに依存しない境界の下で,意味クラスの数が増えるにつれて,CLとNSCLの損失のギャップが消滅することを証明する。
  論文  参考訳（メタデータ） (2025-06-04T19:43:36Z)
• Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation [15.802559423418804]
  本稿では,L1平均キャリブレーション誤差(mL1-ACE)を新たな補助損失関数として用いて,セグメンテーション品質を損なうことなく画素ワイドキャリブレーションを改善することを提案する。 この損失は、ハード・ビンニングを用いても直接微分可能であり、近似的ではあるが微分可能なサロゲートやソフト・ビンニングのアプローチを回避できることが示される。
  論文  参考訳（メタデータ） (2024-03-11T14:31:03Z)
• Rapid Adaptation in Online Continual Learning: Are We Evaluating It Right? [135.71855998537347]
  オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。 空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。 既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
  論文  参考訳（メタデータ） (2023-05-16T08:29:33Z)
• GSC Loss: A Gaussian Score Calibrating Loss for Deep Learning [16.260520216972854]
  ディープニューラルネットワーク(DNN)が生み出す予測スコアを校正するために,一般ガウススコア校正(GSC)損失を提案する。 10以上のベンチマークデータセットに対する大規模な実験は、提案されたGSC損失が、さまざまな視覚的タスクにおいて一貫した、重要なパフォーマンス向上をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-03-02T02:52:23Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Intermediate Loss Regularization for CTC-based Speech Recognition [58.33721897180646]
  本稿では,コネクショニスト時間分類(CTC)の目的に基づいて,自動音声認識(ASR)のための簡易かつ効率的な補助的損失関数を提案する。 提案手法は,WSJコーパスの単語誤り率(WER)9.9%,AISHELL-1コーパスの文字誤り率(CER)5.2%である。
  論文  参考訳（メタデータ） (2021-02-05T15:01:03Z)

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。