論文の概要: Adaptation Interfaces for In-Context Tabular Foundation Models in Time-to-Event Prediction

• arxiv url: http://arxiv.org/abs/2609.04901v1
• Date: Fri, 04 Sep 2026 09:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.987378
• Title: Adaptation Interfaces for In-Context Tabular Foundation Models in Time-to-Event Prediction
• Title（参考訳）: 時間-事象予測における文脈内接尾辞モデルへの適応インタフェース
• Abstract要約: TabFM を CoxPH と DeepHit にリンクし,コンテキスト対応のトレーニング手順を改訂する。 74個のシングルリスクデータセット上に凍結したTabFMバックボーンを用いて, 時間的ゼロショット修正, 分類に基づく微調整, および生存頭部適応の評価を行った。
• 参考スコア（独自算出の注目度）: 28.968035937891326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular foundation models (TabFMs) achieve strong performance on structured data, particularly for standard classification and regression problems. Yet, extending them to censored time-to-event prediction is challenging because it requires properly handling censoring and event-time dynamics. Building on our prior work, we further link TabFMs with CoxPH and DeepHit and revise the context-resampled training procedure. We evaluate temporal zero-shot reformulation, classification-based fine-tuning, and survival-head adaptation using frozen TabFM backbones on 74 single-risk data sets, and we additionally study 4 competing-risk data sets. Zero-shot inference is effective on smaller single-risk data sets, whereas supervised adaptation becomes increasingly advantageous as data sets scale. Cox provides the most reliably strong interface, especially for Integrated Brier Score (IBS) on larger data sets. DeepHit is relatively stronger for the time-dependent Concordance Index than for IBS, while cause-specific MTLR ranks highest among the TabFM survival heads in the four-data-set competing-risk analysis. Classification fine-tuning becomes more competitive with zero-shot inference as data sets grow but remains weaker for probabilistic prediction. Overall, our results indicate that effective TabFM transfer depends on the data regime and on the statistical structure represented by the chosen adaptation interface. The implementation scripts used for this work are available at https://github.com/kaylode/survival-fm.
• Abstract（参考訳）: タブラル基礎モデル(TabFM)は、特に標準分類や回帰問題において、構造化データに対して高い性能を達成する。 しかし、検閲された時間間予測に拡張することは、検閲とイベント時ダイナミクスを適切に扱う必要があるため、難しい。 これまでの作業に基づいて、TabFMsをCoxPHとDeepHitにリンクし、コンテキスト対応のトレーニング手順を改訂します。 我々は,74個のシングルリスクデータセット上で,凍結したTabFMバックボーンを用いて,時間的ゼロショット修正,分類に基づく微調整,および生存ヘッド適応を評価し,さらに4つの競合リスクデータセットについて検討した。 ゼロショット推論はより小さな単一リスクデータセットに対して有効であるが、教師付き適応はデータセットスケールとしてますます有利になる。 Coxは、特に大きなデータセット上のIBS(Integrated Brier Score)において、最も信頼性の高いインターフェースを提供する。 DeepHitは、IBSよりも時間依存コンコーダンス指数の方が強いが、TabFMサバイバルヘッドのうち、原因特異的MTLRは4データセットの競合リスク分析において最高である。 分類の微調整は、データセットが大きくなるにつれてゼロショット推論と競合するが、確率的予測では弱いままである。 以上の結果から,効率的なTabFM転送はデータ構造と,選択した適応インタフェースで表される統計構造に依存していることがわかった。 この作業で使用される実装スクリプトはhttps://github.com/kaylode/survival-fm.comで公開されている。

関連論文リスト

• Is TabPFN the Silver Bullet for Insurance Pricing? [4.5497948012757865]
  タブラル基礎モデル(TFM)は基本的に異なる推論パラダイムを示す。 大量の合成データセットを事前学習することにより、TFMはコンテキスト内学習を通じて新しいデータに対する推論を可能にする。 本稿では,自動車保険価格に対するTabPFNの実証評価について述べる。
  論文  参考訳（メタデータ） (2026-05-21T13:59:06Z)
• Causal Pre-training Under the Fairness Lens: An Empirical Study of TabPFN [3.059960033014892]
  Tabular Prior-data Fitted Network (TabPFN) とその微調整版の評価を行った。 以上の結果から,TabPFNはベースラインに比べて高い予測精度を達成できるが,公平性の改善は適度で矛盾することがわかった。 以上の結果から,TabPFNの因果前訓練はアルゴリズム的公平性には不十分であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T17:17:12Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• 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)
• A Realistic Evaluation of Cross-Frequency Transfer Learning and Foundation Forecasting Models [32.56983347493999]
  大規模時系列データセットを事前トレーニング基礎予測モデル(FFM)にキュレートするための一般的なフレームワークとして、クロス周波数転送学習(CFTL)が登場している。 CFTLは将来性を示しているが、現在のベンチマークプラクティスは、そのパフォーマンスを正確に評価するに足らない。 この欠点は、小規模評価データセットへの過度な依存、計算サマリ統計におけるサンプルサイズの不適切な処理、最適以下の統計モデルの報告、事前トレーニングとテストデータセット間の重複の非無視的なリスクの考慮の欠如など、多くの要因に起因している。
  論文  参考訳（メタデータ） (2025-09-23T18:19:50Z)
• Time-to-event prediction for grouped variables using Exclusive Lasso [0.0]
  本稿では,標準のラッソ法典に代えて排他的ラッソ正則化(Exclusive Lasso regularization)を提案する。 本手法を実生がんデータセットに適用し,従来のCox回帰モデルと比較して生存予測性能が向上したことを示す。
  論文  参考訳（メタデータ） (2025-04-02T09:07:05Z)
• 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)
• On the Performance of Empirical Risk Minimization with Smoothed Data [59.3428024282545]
  経験的リスク最小化(Empirical Risk Minimization、ERM)は、クラスがiidデータで学習可能であれば、サブ線形誤差を達成できる。 We show that ERM can able to achieve sublinear error when a class are learnable with iid data。
  論文  参考訳（メタデータ） (2024-02-22T21:55:41Z)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。