論文の概要: Random Hazard Forests

• arxiv url: http://arxiv.org/abs/2608.21597v1
• Date: Fri, 21 Aug 2026 20:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.298587
• Title: Random Hazard Forests
• Title（参考訳）: ランダムハザード森林
• Abstract要約: 生存木アンサンブルであるランダムハザードフォレスト(Random Hazard Forests, RHF)を導入する。 RHFは、非パラメトリックハザード確率を通じて直接推定問題を定式化する。 これらの軌道を木にわたって平均化すると、RHFの経路的危険度が推定される。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical data sources such as electronic health records and wearable sensors record patient status repeatedly over follow-up, often at irregular times and on different schedules for different measurements. These data create opportunities for continuously updated, individualized risk prediction. Existing approaches, however, often simplify the temporal structure before modeling it. We introduce Random Hazard Forests (RHF), a survival tree ensemble that learns how a patient's hazard changes in continuous time as new measurements become available. RHF formulates the estimation problem directly through a nonparametric hazard likelihood for predictable covariate processes. An efficient working model guides tree construction, after which flexible time-varying hazards are estimated for each terminal node. Given any predictable covariate path, each tree follows the path through its terminal nodes over time and assembles the corresponding node-level hazards into a trajectory. Averaging these trajectories across trees yields the RHF pathwise hazard estimate. Because routing at each time uses only the covariate state available immediately beforehand, RHF accommodates internal longitudinal covariates without lookahead. Simulations and an intensive care application show that RHF accurately estimates changing risk under irregular and asynchronous covariate updates.
• Abstract（参考訳）: 電子的健康記録やウェアラブルセンサーなどの臨床データソースは、患者の経過状況を繰り返し記録し、しばしば不規則な時間に記録し、異なる測定基準で異なるスケジュールで記録する。 これらのデータは継続的に更新され、個別化されたリスク予測の機会を生み出す。 しかし、既存のアプローチはしばしばモデリングする前に時間構造を単純化する。 生存木アンサンブルであるランダムハザードフォレスト(Random Hazard Forests, RHF)を導入する。 RHF は予測可能な共変量過程の非パラメトリックハザード確率を通じて直接推定問題を定式化する。 効率的な作業モデルは、ツリー構築をガイドし、その後、各端末ノードに対してフレキシブルな時間変化ハザードを推定する。 予測可能な共変経路が与えられた場合、各木はその終端ノードを通る経路を経時的に追従し、対応するノードレベルのハザードを軌道に組み立てる。 これらの軌道を木にわたって平均化すると、RHFの経路的危険度が推定される。 RHFは前もって利用可能な共変量のみを使用するため、ルックアヘッドを使わずに内部の長手共変量を許容する。 シミュレーションと集中治療アプリケーションにより、RHFは不規則かつ非同期な共変量更新の下でのリスクの変化を正確に見積もっている。

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• PVRF: All-in-one Adverse Weather Removal via Prior-modulated and Velocity-constrained Rectified Flow [69.40969296005794]
  そこで本研究では,ゼロショット型軟弱感と速度制約付き整流補正を統合した統合フレームワークを提案する。 PVRFは、最先端のベースラインよりも忠実さと知覚品質の両方を改善する。
  論文  参考訳（メタデータ） (2026-05-13T19:07:14Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• ICODEN: Ordinary Differential Equation Neural Networks for Interval-Censored Data [4.9839207502291805]
  ICODENは、間隔知覚データのための通常の微分方程式に基づくニューラルネットワークである。 常に良好な予測精度を達成し、予測器の数が増加するにつれて安定である。 これらの結果はICODENを高次元バイオメディカル環境下でのインターバルセンシングサバイバルデータによる予測のための実用的な仮定型ツールとして確立する。
  論文  参考訳（メタデータ） (2026-02-10T21:18:38Z)
• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk [0.0]
  本稿では,ニューラルネットワークと極値理論を組み合わせたEQRNモデルを提案する。 本研究では,スイス・アーレ流域の洪水リスク予測に本手法を適用した。
  論文  参考訳（メタデータ） (2022-08-16T08:02:49Z)
• MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data [59.26381272149325]
  異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。 muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。 提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-19T22:02:21Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• DeepHazard: neural network for time-varying risks [0.6091702876917281]
  生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。 我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。 数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-26T21:01:49Z)

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。